Costruzione di un modello di allarme precoce per il rischio di complicanze polmonari dei pazienti chirurgici basato sulla fusione multimodale dei dati

Il progetto ha raccolto in modo prospettico le informazioni cliniche dei pazienti in chirurgia generale (chirurgia gastrointestinale, chirurgia biliare, chirurgia pancreatica), ha monitorato in modo non invasivo la temperatura del paziente, la frequenza cardiaca, l'ECG, la frequenza respiratoria attraverso la superficie corporea con un sensore wireless dei segni vitali, ha guidato il paziente a indossare correttamente dal primo giorno di ricovero e monitorare continuamente i segni vitali preoperatori, intraoperatori e postoperatori del paziente durante l'intero processo fino alla dimissione dall'ospedale, il tradizionale monitoraggio dei segni vitali "punto" verrà aggiornato al monitoraggio continuo "in linea", tornando al mondo reale dei segni vitali dei pazienti. I dati sui segni vitali dei pazienti vengono continuamente raccolti, trasmessi in tempo reale e archiviati nella stazione di lavoro centrale locale del reparto, e i ricercatori del progetto sono appositamente incaricati di essere responsabili dell'esportazione, dell'archiviazione e dell'analisi dei dati. In considerazione della mancanza di mezzi di allerta precoce per complicazioni acute e critiche nel reparto chirurgico, sono stati utilizzati dispositivi indossabili con accuratezza verificata per raccogliere big data continui sui segni vitali, analizzando completamente la relazione interna tra l'andamento del cambiamento dei parametri di molteplici segni vitali dei pazienti e complicanze e stabilendo un modello intelligente di avviso di rischio per le complicanze perioperatorie dei pazienti chirurgici, pone le basi per la creazione di un sistema di avviso di rischio del paziente in tempo reale di livello superiore e di supporto alle decisioni cliniche, in modo da migliorare la sicurezza perioperatoria dei pazienti e promuovere la penetrazione dell’intelligenza artificiale nella medicina clinica e nell’assistenza infermieristica.

I partecipanti utilizzeranno i criteri di classificazione di Clavien Dindo per determinare la gravità delle complicanze secondo il metodo di studio di coorte. A seconda che il paziente abbia avuto o meno complicazioni e al tipo di complicanze, il paziente viene diviso in diversi sottogruppi e l'esito del paziente viene calibrato manualmente. Estraendo l'andamento del cambiamento dei segni vitali del paziente nel tempo, la rete neurale convoluzionale viene utilizzata per estrarre le caratteristiche morfologiche dalle curve continue dei segni vitali delle ultime 24 ore e la rete neurale bidirezionale con memoria a breve termine viene utilizzata per estrarre le caratteristiche temporali per ottenere due insiemi di vettori di caratteristiche. Tutti i dati vengono fusi insieme e le caratteristiche sparse vengono elaborate in modo speciale e quindi inviate a un'altra rete neurale ricorrente ponderata per stabilire un modello di previsione delle complicanze e prevedere il livello di rischio di insufficienza respiratoria del paziente, il livello di rischio di terapia intensiva e il livello di rischio di morte nei prossimi 24 anni. ore. Revisionare continuamente l'algoritmo e impostare la logica della soglia di allarme in base ai dati di riferimento personali. Confrontare il potere predittivo di questo modello con il potere predittivo ottenuto dal punteggio di allarme nazionale NEWS e determinare la sensibilità, la specificità, il tasso di falsi positivi, il tasso di falsi negativi, il valore predittivo positivo e il valore predittivo negativo dei due nel prevedere gli esiti dei pazienti.