Konstrukce modelu včasného varování pro riziko plicních komplikací u chirurgických pacientů na základě multimodální fúze dat

Projekt prospektivně shromažďoval klinické informace pacientů ve všeobecné chirurgii (gastrointestinální chirurgie, biliární chirurgie, pankreatická chirurgie), neinvazivně monitoroval pacientovu teplotu, srdeční frekvenci, EKG, dechovou frekvenci přes povrch těla bezdrátovým senzorem vitálních funkcí, vedl pacienta k správně nosit od prvního dne přijetí a nepřetržitě monitorovat pacientovy předoperační, intraoperační a pooperační vitální funkce během celého procesu až do opuštění nemocnice，Tradiční „bodové“ monitorování vitálních funkcí bude aktualizováno na nepřetržité „liniové“ monitorování, které se vrátí k skutečný svět vitálních funkcí pacientů. Údaje o vitálních funkcích pacientů jsou průběžně shromažďovány, přenášeny v reálném čase a ukládány na místní centrální pracovní stanici oddělení a výzkumníci projektu jsou speciálně pověřeni odpovědností za export, ukládání a analýzu dat. Vzhledem k nedostatku prostředků včasného varování před akutními a kritickými komplikacemi na chirurgickém oddělení byla ke sběru kontinuálních velkých dat o životních funkcích použita nositelná zařízení s ověřenou přesností, která plně dolovala vnitřní vztah mezi trendem změny parametrů vícečetných vitálních funkcí pacientů a komplikace a vytvoření inteligentního modelu varování před riziky pro perioperační komplikace chirurgických pacientů. Pokládá základ pro vytvoření systému varování před rizikem pacienta v reálném čase a systému podpory klinického rozhodování, aby se zlepšila perioperační bezpečnost pacientů a podporovat pronikání umělé inteligence do klinické medicíny a ošetřovatelství.

Účastníci použijí klasifikační kritéria Clavien Dindo k určení závažnosti komplikací podle metody kohortové studie. Podle toho, zda se u pacienta vyskytly komplikace a podle typu komplikací, je pacient rozdělen do různých podskupin a výsledek pacienta je manuálně kalibrován. Konvoluční neuronová síť, která doluje trend změn vitálních funkcí pacienta v průběhu času, se používá k extrakci morfologických rysů z křivek spojitých životních funkcí za posledních 24 hodin a obousměrná neuronová síť krátkodobé paměti se používá k extrakci časových prvků k získání dvě sady příznakových vektorů. Všechna data jsou sloučena a řídké prvky jsou speciálně zpracovány a poté odeslány do jiné vážené rekurentní neuronové sítě, aby se vytvořil model predikce komplikací a předpověděla pacientovu úroveň rizika respiračního selhání, úroveň rizika JIP a úroveň rizika úmrtí v příštích 24 letech. hodin. Průběžně revidujte algoritmus a nastavte logiku prahových hodnot alarmů na základě osobních výchozích dat. Porovnejte prediktivní sílu tohoto modelu s prediktivní silou získanou z národního varovného skóre NEWS a určete senzitivitu, specificitu, četnost falešně pozitivních výsledků, četnost falešně negativních výsledků, pozitivní prediktivní hodnotu a negativní prediktivní hodnotu těchto dvou hodnot při předpovídání výsledků pacientů.