다중모달 데이터 융합 기반 수술환자의 폐합병증 위험 조기경보 모델 구축

이 프로젝트는 일반 수술(위장 수술, 담도 수술, 췌장 수술) 환자의 임상 정보를 전향적으로 수집하고, 무선 생체 신호 센서를 통해 환자의 체온, 심박수, ECG, 호흡수를 체표면을 통해 비침습적으로 모니터링하고, 환자에게 입원 첫날부터 올바르게 착용하고 병원을 떠날 때까지 전체 과정에 걸쳐 환자의 수술 전, 수술 중 및 수술 후 활력 징후를 지속적으로 모니터링합니다. 기존의 "포인트" 활력 징후 모니터링은 지속적인 "라인" 모니터링으로 업데이트되어 환자의 활력 징후의 실제 세계. 환자의 활력징후 데이터는 지속적으로 수집되어 실시간으로 전송되어 병동의 현지 중앙 워크스테이션에 저장되며, 데이터 내보내기, 저장 및 분석을 담당하는 프로젝트 연구원이 특별히 배정됩니다. 수술 병동의 급성 및 중증 합병증에 대한 조기 경고 수단이 부족하다는 점을 고려하여 정확성이 검증된 웨어러블 장치를 사용하여 지속적인 활력징후 빅데이터를 수집하고 환자의 다중 활력징후 매개변수 변화 추세와 이를 통해 수술 환자의 수술 전후 합병증에 대한 지능형 위험 경고 모델을 구축하고, 보다 높은 수준의 실시간 환자 위험 경고 및 임상 의사결정 지원 시스템 구축을 위한 기반을 마련하여 환자의 수술 전후 안전성을 향상시키고, 임상 의학 및 간호 분야에 인공 지능의 침투를 촉진합니다.

참가자는 Clavien Dindo 등급 기준을 사용하여 코호트 연구 방법에 따라 합병증의 심각도를 결정합니다. 환자가 합병증을 경험했는지 여부와 합병증의 유형에 따라 환자를 여러 하위 그룹으로 나누고 환자 결과를 수동으로 보정합니다. 시간에 따른 환자의 활력징후 변화 추이를 마이닝하여 지난 24시간 동안의 연속 활력징후 곡선으로부터 형태학적 특징을 추출하기 위해 합성곱 신경망을 사용하고, 시간적 특징을 추출하기 위해 양방향 단기기억 신경망을 사용하여 두 세트의 특징 벡터. 모든 데이터를 특징 융합하고 희소 특징을 특수 처리한 후 다른 가중 순환 신경망으로 전송하여 합병증 예측 모델을 구축하고 향후 24년 동안 환자의 호흡 부전 위험 수준, 중환자실 위험 수준, 사망 위험 수준을 예측합니다. 시간. 개인 기준 데이터를 기반으로 알고리즘을 지속적으로 수정하고 경보 임계값 논리를 설정합니다. 본 모델의 예측력을 국가경보점수 NEWS에서 얻은 예측력과 비교하고, 환자 예후 예측에 있어서 둘의 민감도, 특이도, 위양성률, 위음성률, 양성예측도, 음성예측도를 결정합니다.