Gépi tanulási megközelítés a folyamatos életjeladatok elemzéséhez

Tanulmányi hipotézis: A korábban a robotika területén történő felhasználásra kifejlesztett gépi tanulási algoritmusok és technikák az orvostudomány területén is alkalmazhatók. Ezek a csúcstechnológiás, funkciókivonási és gépi tanulási technikák felhasználhatják a betegek létfontosságú adatait az ágy melletti monitorokról, hogy felfedezzék a rejtett összefüggéseket a fiziológiai hullámformákon belül, és azonosítsák a fiziológiai trendeket vagy olyan állapotokat, amelyek előre jelezhetik a különböző klinikai eseményeket. Ezek az algoritmusok potenciálisan megelőző figyelmeztetéseket adhatnak a klinikusoknak egy kialakuló betegproblémáról, jóval azelőtt, hogy bármely ember észlelhetné az események vagy tendenciák aggasztó kombinációját az adatokban.

Konkrét célok:

1. Gyűjtsön fiziológiai hullámforma- és numerikus trendadatokat a Colorado Egyetemi Kórház és a Colorado-i Gyermekkórház intenzív osztályain lévő betegek életjel-monitorairól.
2. A különböző klinikai állapotok modelljeinek kidolgozásához kombinálja a betegmonitorok fiziológiai adatait a páciens elektronikus egészségügyi feljegyzéseiből nyert klinikai adatokkal, beleértve az intravénás folyadékokat, gyógyszereket, lélegeztetőgép-beállításokat, vizeletkibocsátást stb.

3. Alkalmazzon gépi tanulási technikákat ezekre a modellekre, hogy azonosítsa azokat a fiziológiai hullámforma jellemzőket és trendinformációkat, amelyek jellemzőek és előrejelzik az általános klinikai állapotokat, beleértve, de nem kizárólagosan:

   • Posztoperatív pitvarfibrilláció és egyéb szívritmuszavarok
   • Posztoperatív szívtamponád
   • Tension pneumothorax
   • Optimális posztoperatív és újraélesztési folyadékszükséglet
   • Intrakraniális hipertónia és agyi perfúziós nyomás