Construcción de un modelo de alerta temprana de riesgo de complicaciones pulmonares de pacientes quirúrgicos basado en fusión de datos multimodal

El proyecto recopiló prospectivamente la información clínica de pacientes en cirugía general (cirugía gastrointestinal, cirugía biliar, cirugía pancreática), monitoreó de forma no invasiva la temperatura, frecuencia cardíaca, ECG y frecuencia respiratoria del paciente a través de la superficie corporal con un sensor inalámbrico de signos vitales, guió al paciente a use correctamente desde el primer día de ingreso y controle continuamente los signos vitales preoperatorios, intraoperatorios y postoperatorios del paciente durante todo el proceso hasta el alta hospitalaria. El control tradicional de los signos vitales "puntuales" se actualizará a un control continuo de "línea", volviendo al mundo real de los signos vitales de los pacientes. Los datos de los signos vitales de los pacientes se recopilan continuamente, se transmiten en tiempo real y se almacenan en la estación de trabajo central local de la sala, y los investigadores del proyecto están asignados especialmente para ser responsables de la exportación, el almacenamiento y el análisis de los datos. En vista de la falta de medios de alerta temprana para complicaciones agudas y críticas en la sala quirúrgica, se utilizaron dispositivos portátiles con precisión verificada para recopilar datos masivos de signos vitales continuos, explorando completamente la relación interna entre la tendencia de cambio de los múltiples parámetros de signos vitales de los pacientes y complicaciones y establecer un modelo inteligente de advertencia de riesgos para las complicaciones perioperatorias de pacientes quirúrgicos. Sienta las bases para el establecimiento de un sistema de apoyo a las decisiones clínicas y de advertencia de riesgos del paciente en tiempo real de alto nivel, a fin de mejorar la seguridad perioperatoria de los pacientes y promover la penetración de la inteligencia artificial en la medicina clínica y la enfermería.

Los participantes utilizarán los criterios de calificación de Clavien Dindo para determinar la gravedad de las complicaciones según el método de estudio de cohorte. Según si el paciente ha experimentado complicaciones y el tipo de complicaciones, el paciente se divide en diferentes subgrupos y el resultado del paciente se calibra manualmente. Al extraer la tendencia de cambio de los signos vitales del paciente a lo largo del tiempo, se utiliza una red neuronal convolucional para extraer características morfológicas de las curvas continuas de signos vitales de las últimas 24 horas, y una red neuronal de memoria bidireccional a corto plazo se utiliza para extraer características temporales para obtener dos conjuntos de vectores de características. Todos los datos se fusionan con características y las características escasas se procesan especialmente y luego se envían a otra red neuronal recurrente ponderada para establecer un modelo de predicción de complicaciones y predecir el nivel de riesgo de insuficiencia respiratoria, el nivel de riesgo de la UCI y el nivel de riesgo de muerte del paciente en los próximos 24. horas. Revise continuamente el algoritmo y establezca la lógica del umbral de alarma en función de los datos de referencia personales. Compare el poder predictivo de este modelo con el poder predictivo obtenido de la puntuación de advertencia nacional NEWS y determine la sensibilidad, la especificidad, la tasa de falsos positivos, la tasa de falsos negativos, el valor predictivo positivo y el valor predictivo negativo de los dos para predecir los resultados de los pacientes.