Kunstig intelligens cerebral gråhvit materie forholdsmodulbruk i Hsinchu-distriktet Hsinchu-distriktet ved bruk av et kunstig intelligens cerebral gråhvit materie forholdsmodul

Hensikten med denne studien er å etablere en elektronisk medisinsk journal- og avbildningsdatabase for utenfor sykehus-arrestasjonspasienter ved National Taiwan University Hospital Hsinchu Branch. Teamet vårt har utviklet en AI Deep Learning-modell og et automatisert analysesystem for hjerne gråhvit materie basert på data fra National Taiwan University Hospital.

Denne utviklingen vil bli eksternt validert ved hjelp av databasen på Hsinchu -grenen i dette prosjektet. Nøyaktig prognosevurdering er avgjørende for leger og familier i å ta beslutninger angående perioden etter hjertekardi. Imidlertid har de nåværende tilgjengelige vurderingsverktøyene begrenset nøyaktighet. Denne studien tar sikte på å utvikle en multimodal prognostisk evalueringsmodell som kombinerer elektroniske medisinske poster og det automatiserte analysesystemet for hjerne gråhvit materie. Denne integrasjonen vil øke nøyaktigheten og prediktive evnen til prognosevurdering. Forskerteamet har allerede utviklet et automatisert analysesystem for beregning av hjerne gråhvit materieforhold fra hjerneberegede tomografibilder, og gir viktig informasjon om patologiske endringer i hjernen.

I tillegg har teamet også utviklet en AI-basert prediktiv modell for prognose etter hjertekardien, som inneholder flere indikatorer og variabler. Dette systemet er validert ved hjelp av data fra National Taiwan University Hospital.

For å validere nøyaktigheten og påliteligheten til modellene våre, planlegger forskerteamet å samarbeide med HSINCHU-grenen for å samle og organisere relevante data fra pasienter med post-cardiac-arrest, inkludert elektroniske medisinske poster og avbildningsfiler. Det utviklede automatiserte analysesystemet for hjerne gråhvit materie og den AI-baserte prediktive modellen vil bli brukt for ekstern validering. Gjennom denne forskningen er målet å etablere og optimalisere en mer omfattende og nøyaktig prognosevurderingsmodell, og hjelpe leger og familier med å ta bedre beslutninger for pasienter etter kardiac-arrestasjon.

Videre vil samarbeidet med Hsinchu -grenen muliggjøre validering av våre modeller som kan brukes i forskjellige medisinske institusjoner og pasientpopulasjoner.