Budowa modelu wczesnego ostrzegania o ryzyku powikłań płucnych u pacjentów poddawanych zabiegom chirurgicznym w oparciu o multimodalną fuzję danych

W ramach projektu prospektywnie zebrano informacje kliniczne pacjentów chirurgii ogólnej (chirurgia przewodu pokarmowego, chirurgia dróg żółciowych, chirurgia trzustki), w sposób nieinwazyjny monitorowano temperaturę pacjenta, tętno, EKG, częstość oddechów przez powierzchnię ciała za pomocą bezprzewodowego czujnika parametrów życiowych, poprowadzono pacjenta do nosić prawidłowo od pierwszego dnia przyjęcia i stale monitorować przedoperacyjne, śródoperacyjne i pooperacyjne parametry życiowe pacjenta przez cały proces aż do opuszczenia szpitala. Tradycyjne „punktowe” monitorowanie parametrów życiowych zostanie zaktualizowane do ciągłego monitorowania „liniowego”, po powrocie do prawdziwy świat parametrów życiowych pacjentów. Dane dotyczące parametrów życiowych pacjentów są stale gromadzone, przesyłane w czasie rzeczywistym i przechowywane na lokalnej centralnej stacji roboczej oddziału, a badacze biorący udział w projekcie zostali specjalnie przydzieleni do odpowiedzialności za eksport, przechowywanie i analizę danych. Wobec braku środków wczesnego ostrzegania o ostrych i krytycznych powikłaniach na oddziale chirurgicznym, do gromadzenia dużych danych dotyczących ciągłych parametrów życiowych wykorzystano urządzenia przenośne o zweryfikowanej dokładności, w pełni eksplorując wewnętrzny związek pomiędzy tendencją zmian wielu parametrów życiowych pacjentów a powikłań i ustanowienie inteligentnego modelu ostrzegania o ryzyku powikłań okołooperacyjnych u pacjentów chirurgicznych, kładzie podwaliny pod utworzenie wyższego poziomu systemu ostrzegania o ryzyku pacjenta w czasie rzeczywistym i wspomagania decyzji klinicznych, aby poprawić bezpieczeństwo okołooperacyjne pacjentów i promować penetrację sztucznej inteligencji w medycynie klinicznej i pielęgniarstwie.

Uczestnicy będą stosować kryteria oceny Clavien Dindo w celu określenia ciężkości powikłań zgodnie z metodą badania kohortowego. W zależności od tego, czy u pacjenta wystąpiły powikłania i od rodzaju powikłań, pacjenta dzieli się na różne podgrupy, a wyniki leczenia są ręcznie kalibrowane. Eksplorując trend zmian parametrów życiowych pacjenta w czasie, splotowa sieć neuronowa służy do wyodrębniania cech morfologicznych z ciągłych krzywych parametrów życiowych z ostatnich 24 godzin, a dwukierunkowa sieć neuronowa pamięci krótkotrwałej służy do ekstrakcji cech czasowych w celu uzyskania dwa zestawy wektorów cech. Wszystkie dane są łączone, a rzadkie cechy są specjalnie przetwarzane, a następnie wysyłane do innej ważonej, rekurencyjnej sieci neuronowej w celu ustalenia modelu przewidywania powikłań i przewidywania poziomu ryzyka niewydolności oddechowej pacjenta, poziomu ryzyka OIOM-u i poziomu ryzyka śmierci w ciągu następnych 24 godziny. Stale poprawiaj algorytm i ustawiaj logikę progów alarmowych w oparciu o osobiste dane bazowe. Porównaj moc predykcyjną tego modelu z mocą predykcyjną uzyskaną z krajowej skali ostrzeżeń NEWS i określ czułość, swoistość, odsetek wyników fałszywie dodatnich, odsetek wyników fałszywie ujemnych, wartość predykcyjną dodatnią i wartość predykcyjną ujemną w przewidywaniu wyników leczenia pacjentów.