Konstruksjon av tidlig varslingsmodell for risiko for lungekomplikasjoner for kirurgiske pasienter basert på multimodal datafusjon

Prosjektet samlet prospektivt den kliniske informasjonen til pasienter i generell kirurgi (gastrointestinal kirurgi, gallekirurgi, pankreaskirurgi), overvåket ikke-invasivt pasientens temperatur, hjertefrekvens, EKG, respirasjonsfrekvens gjennom kroppsoverflaten med trådløs vitale tegnsensor, veiledet pasienten til bæres riktig fra første innleggelsesdag, og kontinuerlig overvåket pasientens preoperative, intraoperative og postoperative vitale tegn gjennom hele prosessen frem til sykehuset forlater sykehus，Den tradisjonelle "punkt" overvåkingen av vitale tegn vil bli oppdatert til kontinuerlig "linje"-overvåking, tilbake til virkelige verden av pasientenes vitale tegn. Vitale tegndata til pasienter samles kontinuerlig inn, overføres i sanntid og lagres på den lokale sentrale arbeidsstasjonen på avdelingen, og forskerne i prosjektet er spesielt tildelt å være ansvarlige for dataeksport, lagring og analyse. I lys av mangelen på tidlige varslingsmidler for akutte og kritiske komplikasjoner i kirurgisk avdeling, ble bærbare enheter med verifisert nøyaktighet brukt til å samle kontinuerlige vitale tegn big data, og fullt ut gruve den interne sammenhengen mellom endringstrenden av pasientenes multiple vitale tegn parametere og komplikasjoner, og etablering av en intelligent risikovarslingsmodell for perioperative komplikasjoner av kirurgiske pasienter, Det legger grunnlaget for etablering av et høyere nivå sanntidspasientrisikovarsling og klinisk beslutningsstøttesystem, for å forbedre den perioperative sikkerheten til pasienter og fremme penetrasjon av kunstig intelligens i klinisk medisin og sykepleie.

Deltakerne vil bruke Clavien Dindo-graderingskriteriene for å bestemme alvorlighetsgraden av komplikasjoner i henhold til kohortstudiemetoden. Etter om pasienten har opplevd komplikasjoner og type komplikasjoner, deles pasienten inn i ulike undergrupper og pasientutfallet kalibreres manuelt. Utvinner endringstrenden av pasientens vitale tegn over tid, konvolusjonelt nevrale nettverk brukes til å trekke ut morfologiske trekk fra de kontinuerlige vitale tegnkurvene de siste 24 timene, og toveis korttidsminne nevrale nettverk brukes til å trekke ut tidsfunksjoner for å oppnå to sett med egenskapsvektorer. Alle data er funksjonssmeltet, og sparsomme funksjoner blir spesielt behandlet, og deretter sendt til et annet vektet tilbakevendende nevralt nettverk for å etablere en komplikasjonsprediksjonsmodell, og forutsi pasientens respirasjonssviktrisikonivå, ICU-risikonivå og dødsrisikonivå i de neste 24 timer. Revider algoritmen kontinuerlig og still inn alarmterskellogikk basert på personlige grunnlinjedata. Sammenlign prediksjonskraften til denne modellen med prediktiv kraft oppnådd fra den nasjonale advarselsskåren NYHETER, og bestem sensitiviteten, spesifisiteten, falsk positiv rate, falsk negativ rate, positiv prediktiv verdi og negativ prediktiv verdi av de to for å forutsi pasientutfall.