Construção de modelo de alerta precoce para risco de complicações pulmonares em pacientes cirúrgicos com base na fusão de dados multimodais

O projeto coletou prospectivamente as informações clínicas de pacientes em cirurgia geral (cirurgia gastrointestinal, cirurgia biliar, cirurgia pancreática), monitorou de forma não invasiva a temperatura do paciente, frequência cardíaca, ECG, frequência respiratória através da superfície corporal com sensor de sinais vitais sem fio, orientou o paciente a usar corretamente desde o primeiro dia de internação e monitorar continuamente os sinais vitais pré-operatórios, intraoperatórios e pós-operatórios do paciente durante todo o processo até a alta hospitalar ， O monitoramento tradicional de sinais vitais de "ponto" será atualizado para monitoramento contínuo de "linha", retornando ao mundo real dos sinais vitais dos pacientes. Os dados de sinais vitais dos pacientes são coletados continuamente, transmitidos em tempo real e armazenados na estação de trabalho central local da enfermaria, e os pesquisadores do projeto são especialmente designados para serem responsáveis ​​pela exportação, armazenamento e análise dos dados. Tendo em vista a falta de meios de alerta precoce para complicações agudas e críticas na enfermaria cirúrgica, dispositivos vestíveis com precisão verificada foram utilizados para coletar grandes dados contínuos de sinais vitais, explorando completamente a relação interna entre a tendência de mudança dos múltiplos parâmetros de sinais vitais dos pacientes e complicações e estabelecendo um modelo inteligente de alerta de risco para complicações perioperatórias de pacientes cirúrgicos, estabelece as bases para o estabelecimento de um sistema de alerta de risco do paciente em tempo real de nível superior e de apoio à decisão clínica, de modo a melhorar a segurança perioperatória dos pacientes e promover a penetração da inteligência artificial na medicina clínica e na enfermagem.

Os participantes usarão os critérios de classificação Clavien Dindo para determinar a gravidade das complicações de acordo com o método de estudo de coorte. De acordo com se o paciente apresentou complicações e o tipo de complicações, o paciente é dividido em diferentes subgrupos e o resultado do paciente é calibrado manualmente. Minerando a tendência de mudança dos sinais vitais do paciente ao longo do tempo, a rede neural convolucional é usada para extrair características morfológicas das curvas contínuas de sinais vitais das últimas 24 horas, e a rede neural de memória de curto prazo bidirecional é usada para extrair características temporais para obter dois conjuntos de vetores de recursos. Todos os dados são fundidos e os recursos esparsos são especialmente processados ​​e, em seguida, enviados para outra rede neural recorrente ponderada para estabelecer um modelo de previsão de complicações e prever o nível de risco de insuficiência respiratória do paciente, o nível de risco de UTI e o nível de risco de morte nos próximos 24 horas. Revise continuamente o algoritmo e defina a lógica do limite de alarme com base em dados de linha de base pessoais. Compare o poder preditivo deste modelo com o poder preditivo obtido da pontuação de alerta nacional NEWS e determine a sensibilidade, especificidade, taxa de falsos positivos, taxa de falsos negativos, valor preditivo positivo e valor preditivo negativo dos dois na previsão de resultados dos pacientes.