マルチモーダルデータ融合に基づく肺合併症リスクの早期警告モデルの構築

このプロジェクトでは、一般外科（消化器外科、胆道外科、膵臓外科）における患者の臨床情報を前向きに収集し、無線バイタルサインセンサーで体表を通じて患者の体温、心拍数、心電図、呼吸数を非侵襲的に監視し、患者を次の治療に導く。入院初日から正しく着用し、退院までの全プロセスを通じて患者の術前、術中、術後のバイタルサインを継続的に監視します。従来の「点」バイタルサイン監視は継続的な「線」監視に更新され、バイタルサインに戻ります。患者のバイタルサインの現実世界。 患者のバイタルサインデータは継続的に収集され、リアルタイムで送信され、病棟のローカル中央ワークステーションに保存されます。このプロジェクトの研究者は、データのエクスポート、保存、分析を担当するよう特別に割り当てられています。 外科病棟では急性および重大な合併症に対する早期警告手段が欠如していることを考慮して、精度が検証されたウェアラブルデバイスを使用して継続的なバイタルサインのビッグデータを収集し、患者の複数のバイタルサインパラメーターの変化傾向とデータ間の内部関係を完全にマイニングしました。これは、手術患者の周術期合併症に対するインテリジェントなリスク警告モデルの確立であり、患者の周術期の安全性を向上させるための、より高レベルのリアルタイムの患者リスク警告および臨床意思決定支援システムの確立の基礎となります。臨床医学と看護における人工知能の浸透を促進します。

参加者は、Clavien Dindo の等級付け基準を使用して、コホート研究方法に従って合併症の重症度を決定します。 患者が合併症を経験したかどうかと合併症の種類に応じて、患者はさまざまなサブグループに分類され、患者の転帰は手動で調整されます。 患者のバイタルサインの時間の経過に伴う変化傾向をマイニングし、畳み込みニューラルネットワークを使用して過去24時間の連続バイタルサイン曲線から形態学的特徴を抽出し、双方向短期記憶ニューラルネットワークを使用して時間的特徴を抽出し、特徴ベクトルの 2 つのセット。 すべてのデータは特徴が融合され、まばらな特徴が特別に処理され、別の重み付きリカレント ニューラル ネットワークに送信されて合併症予測モデルが確立され、患者の呼吸不全リスク レベル、ICU リスク レベル、および今後 24 年間の死亡リスク レベルが予測されます。時間。 継続的にアルゴリズムを改訂し、個人のベースライン データに基づいてアラームしきい値ロジックを設定します。 このモデルの予測力と全国警告スコア NEWS から得られた予測力を比較し、患者の転帰を予測する際の 2 つの感度、特異度、偽陽性率、偽陰性率、陽性的中率、陰性的中率を決定します。