Konstruktion af tidlig varslingsmodel for risiko for lungekomplikationer hos kirurgiske patienter baseret på multimodal datafusion

Projektet indsamlede prospektivt den kliniske information om patienter i generel kirurgi (gastrointestinal kirurgi, galdekirurgi, bugspytkirtelkirurgi), overvågede ikke-invasivt patientens temperatur, hjertefrekvens, EKG, respirationsfrekvens gennem kropsoverfladen med trådløs vitale tegnsensor, guidede patienten til bæres korrekt fra den første indlæggelsesdag og kontinuerligt overvåget patientens præoperative, intraoperative og postoperative vitale tegn gennem hele forløbet, indtil de forlader hospitalet，Den traditionelle "punkt" overvågning af vitale tegn vil blive opdateret til kontinuerlig "line" overvågning, og vende tilbage til den virkelige verden af ​​patienters vitale tegn. Patienternes vitale tegns data bliver løbende indsamlet, transmitteret i realtid og lagret på afdelingens lokale centrale arbejdsstation, og forskerne i projektet er særligt udpeget til at være ansvarlige for dataeksport, lagring og analyse. I lyset af manglen på tidlige advarselsmidler for akutte og kritiske komplikationer i kirurgisk afdeling, blev bærbare enheder med verificeret nøjagtighed brugt til at indsamle kontinuerlige vitale tegn big data, og fuldt ud udvinde den interne sammenhæng mellem ændringstrenden af ​​patienters multiple vitale tegn parametre og komplikationer og etablering af en intelligent risikoadvarselsmodel for perioperative komplikationer hos kirurgiske patienter, Det lægger grundlaget for etableringen af ​​et højere niveau i realtid for patientrisikoadvarsel og klinisk beslutningsstøttesystem, for at forbedre den perioperative sikkerhed for patienter og patienter. fremme udbredelsen af ​​kunstig intelligens i klinisk medicin og sygepleje.

Deltagerne vil bruge Clavien Dindo-klassificeringskriterierne til at bestemme sværhedsgraden af ​​komplikationer i henhold til kohorteundersøgelsesmetoden. Alt efter om patienten har oplevet komplikationer og typen af ​​komplikationer, inddeles patienten i forskellige undergrupper, og patientforløbet kalibreres manuelt. Udvinder ændringstrenden af ​​patientens vitale tegn over tid, Convolutional neurale netværk bruges til at udtrække morfologiske træk fra de kontinuerlige vitale tegn kurver fra de sidste 24 timer, og to-vejs korttidshukommelse neurale netværk bruges til at udtrække tidsmæssige træk for at opnå to sæt trækvektorer. Alle data er funktionssammensmeltede, og sparsomme funktioner behandles specielt og sendes derefter til et andet vægtet tilbagevendende neuralt netværk for at etablere en komplikationsforudsigelsesmodel og forudsige patientens respirationssvigtrisikoniveau, ICU-risikoniveau og dødsrisikoniveau i de næste 24 timer. Revider løbende algoritmen og indstil alarmtærskellogik baseret på personlige basisdata. Sammenlign prædiktionskraften af ​​denne model med den prædiktive effekt opnået fra den nationale advarselsscore NYHEDER, og bestem sensitiviteten, specificiteten, falsk positiv rate, falsk negativ rate, positiv prædiktiv værdi og negativ prædiktiv værdi af de to i forudsigelse af patientresultater.