一个集成结构化数据和临床文本的深度学习模型,用于预测心房的复发
Sixiang Jia1, Yanping Yin2, Yingxia Guan3
1Department of Cardiology, the Fourth Affiliated Hospital of School of Medicine, and International School of Medicine, International Institutes of Medicine, Zhejiang University, Yiwu, Zhejiang, China. jiasixiang@zju.edu.cn.
这项研究开发了一种深度学习模型,使用多式外科手术周围数据来预测房动 (AF) 经过切除后的复发. 该模型有效地识别了针对性干预的高风险患者,改善了结果.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 对于风险分层来说,从心房动 (AF) 废除患者的多模式周围手术数据是有价值的,但在预测模型中未得到充分利用.
- 精确预测AF复发的切除术后是优化患者管理和治疗策略的关键.
研究的目的:
- 开发和验证一个深度学习模型,整合多式外科外科手术周围数据,用于预测切除后AF复发.
- 评估不同大型语言模型在处理文本数据中对AF复发预测的性能.
主要方法:
- 一项多中心回顾性研究,涉及2508名接受AF切除的患者.
- 开发一种双分支深度学习模型,使用1D ResNet进行结构化数据和大型语言模型 (LLaMA-7B, Phi2-2.7B, Mistral-7B, MedGemma-27B) 进行文本数据.
- 使用曲线下的面积 (AUC) 评估的模型性能,用于培训,验证和测试集.
主要成果:
- 结合MedGemma-27B进行文本特征提取的深度学习模型实现了高预测性能.
- AUC值为0.934 (训练),0.928 (验证) 和0.911 (测试组),表明了强大的概括.
- 该模型成功地整合了多式联络数据,以识别高风险的AF复发患者.
结论:
- 一种新型的深度学习模型有效地预测心房的复发,使用来自AF切除患者的多模式外科手术周围数据.
- 该模型识别高风险个体的能力促进了有针对性的干预,可能降低复发率.
- 这种方法突出了将先进的AI技术与心血管医学中全面的患者数据集成的潜力.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
08:10Estimating Bilateral Atrial Function by Cardiovascular Magnetic Resonance Feature Tracking in Patients with Paroxysmal Atrial Fibrillation
Published on: July 20, 2022
相关概念视频
Pulse rhythm
Conversely, an irregular pulse pattern is termed dysrhythmia, stemming from disruptions in cardiac...
Dysrhythmias II: Classification of Tachyarrhythmias
Dysrhythmias V: Evaluating Dysrhythmias
Heart Failure IV: Classification and Diagnostic Evaluation
Cardiomyopathy II: Dilated Cardiomyopathy
