Aufbau eines Frühwarnmodells für das Risiko von Lungenkomplikationen bei chirurgischen Patienten basierend auf multimodaler Datenfusion

Das Projekt sammelte prospektiv die klinischen Informationen von Patienten in der Allgemeinchirurgie (Magen-Darm-Chirurgie, Gallengangschirurgie, Bauchspeicheldrüsenchirurgie), überwachte nichtinvasiv die Temperatur, die Herzfrequenz, das EKG und die Atemfrequenz des Patienten über die Körperoberfläche mit einem drahtlosen Vitalzeichensensor und führte den Patienten zu Vom ersten Tag der Aufnahme an korrekt tragen und die präoperativen, intraoperativen und postoperativen Vitalfunktionen des Patienten während des gesamten Prozesses bis zur Entlassung aus dem Krankenhaus kontinuierlich überwachen. Die traditionelle „Punkt“-Überwachung der Vitalfunktionen wird auf eine kontinuierliche „Linien“-Überwachung umgestellt reale Welt der Vitalfunktionen von Patienten. Die Vitalparameterdaten der Patienten werden kontinuierlich erfasst, in Echtzeit übertragen und im lokalen zentralen Arbeitsplatz der Station gespeichert. Den Forschern des Projekts ist speziell die Verantwortung für den Datenexport, die Speicherung und die Analyse übertragen. Angesichts des Mangels an Frühwarnmitteln für akute und kritische Komplikationen auf der chirurgischen Station wurden tragbare Geräte mit verifizierter Genauigkeit verwendet, um kontinuierlich große Daten zu Vitalfunktionen zu sammeln und dabei die interne Beziehung zwischen dem Änderungstrend der verschiedenen Vitalparameterparameter des Patienten und vollständig zu untersuchen Komplikationen und die Einrichtung eines intelligenten Risikowarnmodells für perioperative Komplikationen bei chirurgischen Patienten. Es legt den Grundstein für die Einrichtung eines Echtzeit-Risikowarn- und klinischen Entscheidungsunterstützungssystems auf höherer Ebene für Patienten, um die perioperative Sicherheit von Patienten zu verbessern die Durchdringung künstlicher Intelligenz in der klinischen Medizin und Pflege fördern.

Die Teilnehmer verwenden die Bewertungskriterien von Clavien Dindo, um den Schweregrad der Komplikationen gemäß der Kohortenstudienmethode zu bestimmen. Je nachdem, ob beim Patienten Komplikationen aufgetreten sind und um welche Art von Komplikationen es sich handelt, wird der Patient in verschiedene Untergruppen eingeteilt und das Patientenergebnis manuell kalibriert. Um den Änderungstrend der Vitalfunktionen des Patienten im Laufe der Zeit zu ermitteln, wird ein Faltungs-Neuronales Netzwerk verwendet, um morphologische Merkmale aus den kontinuierlichen Vitalparameterkurven der letzten 24 Stunden zu extrahieren, und ein Zwei-Wege-Kurzzeitgedächtnis-Neuronales Netzwerk wird verwendet, um zeitliche Merkmale zu extrahieren zwei Sätze von Merkmalsvektoren. Alle Daten werden merkmalsfusioniert und spärliche Merkmale werden speziell verarbeitet und dann an ein anderes gewichtetes wiederkehrendes neuronales Netzwerk gesendet, um ein Komplikationsvorhersagemodell zu erstellen und das Risikoniveau für Atemversagen, das Risikoniveau auf der Intensivstation und das Todesrisikoniveau des Patienten in den nächsten 24 Jahren vorherzusagen Std. Überarbeiten Sie den Algorithmus kontinuierlich und legen Sie die Alarmschwellenlogik basierend auf persönlichen Basisdaten fest. Vergleichen Sie die Vorhersagekraft dieses Modells mit der Vorhersagekraft, die Sie aus dem nationalen Warnwert NEWS erhalten, und bestimmen Sie die Sensitivität, Spezifität, Falsch-Positiv-Rate, Falsch-Negativ-Rate, positiven Vorhersagewert und negativen Vorhersagewert der beiden bei der Vorhersage von Patientenergebnissen.