Varhaisvaroitusmallin rakentaminen kirurgisten potilaiden keuhkokomplikaatioiden riskille multimodaalisen datafuusion perusteella

Hankkeessa kerättiin prospektiivisesti potilaiden kliinistä tietoa yleiskirurgiasta (ruoansulatuskanavan leikkaus, sappikirurgia, haimakirurgia), seurattiin noninvasiivisesti potilaan lämpötilaa, sykettä, EKG:tä, hengitystiheyttä kehon pinnan läpi langattomalla elintoimintotunnistimella, ohjattiin potilasta käyttää oikein ensimmäisestä vastaanottopäivästä lähtien ja seurannut jatkuvasti potilaan preoperatiivisia, intraoperatiivisia ja postoperatiivisia elintoimintoja koko prosessin ajan sairaalasta poistumiseen asti，Perinteinen "piste"-elämäntoimintojen seuranta päivitetään jatkuvaan "linja"-seurantaan, jolloin palataan potilaiden elintoimintojen todellinen maailma. Potilaiden elintoimintotietoja kerätään jatkuvasti, välitetään reaaliajassa ja säilytetään osaston paikallisessa keskustyöpisteessä, ja hankkeen tutkijat on nimetty vastaamaan tiedon viennistä, tallentamisesta ja analysoinnista. Koska leikkausosastolla ei ole varhaisvaroituskeinoja akuuteille ja kriittisille komplikaatioille, käytettiin todetun tarkkuuden omaavia puettavia laitteita jatkuvan elintoimintojen suurdatan keräämiseen, mikä loi täysin sisäisen suhteen potilaiden monien elintoimintojen parametrien muutostrendin ja monien elintoimintojen parametrien välillä. komplikaatioita ja älykkään riskivaroitusmallin luomista leikkauspotilaiden perioperatiivisiin komplikaatioihin, Se luo perustan korkeamman tason reaaliaikaisen potilasriskivaroitus- ja kliinisen päätöksen tukijärjestelmän perustamiselle, jotta voidaan parantaa potilaiden perioperatiivista turvallisuutta ja edistää tekoälyn leviämistä kliinisessä lääketieteessä ja hoitotyössä.

Osallistujat käyttävät Clavien Dindo -luokituskriteerejä komplikaatioiden vakavuuden määrittämiseen kohorttitutkimusmenetelmän mukaisesti. Sen mukaan, onko potilaalla ollut komplikaatioita ja komplikaatioiden tyyppi, potilas jaetaan eri alaryhmiin ja potilaan tulos kalibroidaan manuaalisesti. Potilaan elintoimintojen muutostrendi ajan mittaan louhittaessa konvoluutiohermoverkkoa käytetään poimimaan morfologisia piirteitä viimeisen 24 tunnin jatkuvista elintoimintokäyristä ja kaksisuuntaista lyhytaikaisen muistin hermoverkkoa poimimaan ajallisia piirteitä, jotta saadaan aikaan. kaksi sarjaa piirrevektoreita. Kaikki tiedot yhdistetään ominaisuuksiin, ja harvat ominaisuudet käsitellään erityisesti ja lähetetään sitten toiseen painotettuun toistuvaan hermoverkkoon komplikaatioiden ennustemallin luomiseksi ja potilaan hengitysvajauksen riskitason, teho-osaston riskitason ja kuolemanriskin tason ennustamiseksi seuraavan 24:n aikana. tuntia. Tarkista jatkuvasti algoritmia ja aseta hälytyskynnyslogiikka henkilökohtaisten perustietojen perusteella. Vertaa tämän mallin ennustevoimaa kansallisesta varoituspisteestä NEWS saatuun ennustevoimaan ja määritä näiden kahden herkkyys, spesifisyys, väärien positiivisten prosenttiosuus, väärän negatiivinen määrä, positiivinen ennustearvo ja negatiivinen ennustearvo potilastulosten ennustamisessa.