Построение модели раннего предупреждения риска легочных осложнений у хирургических больных на основе мультимодального объединения данных

В рамках проекта проспективно собиралась клиническая информация пациентов в общей хирургии (гастроинтестинальная хирургия, хирургия желчевыводящих путей, хирургия поджелудочной железы), неинвазивно контролировались температура пациента, частота сердечных сокращений, ЭКГ, частота дыхания через поверхность тела с помощью беспроводного датчика жизненно важных функций, направлялись пациенту к носить правильно с первого дня поступления и постоянно контролировать предоперационные, интраоперационные и послеоперационные жизненные показатели пациента на протяжении всего процесса до выписки из больницы. Традиционный «точечный» мониторинг жизненно важных показателей будет обновлен до непрерывного «линейного» мониторинга, возвращаясь к реальный мир жизненно важных показателей пациентов. Данные о жизненно важных показателях пациентов непрерывно собираются, передаются в режиме реального времени и хранятся на локальном центральном рабочем месте отделения, а исследователям проекта специально поручено отвечать за экспорт, хранение и анализ данных. Ввиду отсутствия средств раннего предупреждения об острых и критических осложнениях в хирургическом отделении, носимые устройства с проверенной точностью использовались для непрерывного сбора больших данных о показателях жизнедеятельности, полностью исследуя внутреннюю взаимосвязь между тенденцией изменения нескольких параметров показателей жизнедеятельности пациентов и осложнений и создания интеллектуальной модели предупреждения о рисках периоперационных осложнений у хирургических пациентов. Это закладывает основу для создания системы предупреждения о рисках для пациентов более высокого уровня в режиме реального времени и системы поддержки клинических решений, чтобы улучшить периоперационную безопасность пациентов и способствовать проникновению искусственного интеллекта в клиническую медицину и сестринское дело.

Участники будут использовать критерии классификации Clavien Dindo для определения тяжести осложнений в соответствии с методом когортного исследования. В зависимости от наличия у пациента осложнений и типа осложнений пациент делится на различные подгруппы, а результат пациента калибруется вручную. Анализируя тенденцию изменения показателей жизнедеятельности пациента с течением времени, сверточная нейронная сеть используется для извлечения морфологических особенностей из непрерывных кривых показателей жизнедеятельности за последние 24 часа, а нейронная сеть с двусторонней кратковременной памятью используется для извлечения временных характеристик для получения два набора векторов признаков. Все данные объединяются по признакам, а редкие признаки специально обрабатываются, а затем отправляются в другую взвешенную рекуррентную нейронную сеть для создания модели прогнозирования осложнений и прогнозирования уровня риска дыхательной недостаточности пациента, уровня риска отделения интенсивной терапии и уровня риска смерти в ближайшие 24 года. часы. Постоянно пересматривайте алгоритм и устанавливайте логику порога тревоги на основе личных исходных данных. Сравните прогностическую силу этой модели с прогностической силой, полученной на основе национальной оценки предупреждений NEWS, и определите чувствительность, специфичность, частоту ложноположительных результатов, частоту ложноотрицательных результатов, положительную прогностическую ценность и отрицательную прогностическую ценность этих двух факторов при прогнозировании исходов пациентов.