机构名称：
¥ 1.0
背景：临床注释包含与患者过去和当前健康状况有关的结构化数据之外的上下文化信息。目标：本研究旨在设计一种多模式深度学习方法，以使用入院临床注释和易于收集的表格数据来提高心力衰竭（HF）的医院结果的评估精度。方法：多模式模型的开发和验证数据是从3个开放式美国数据库中回顾性得出的，包括重症监护III V1.4（MIMIC-III）的医学信息MART和MIMIC-IV V1.0和MIMIC-IV V1.0，从2001年至2019年的研究中收集了来自2019年的教学医院，并从2019年进行了研究。 2015。研究队列由所有关键HF患者组成。分析了临床注释，包括主要投诉，当前疾病的历史，体格检查，病史和入院药物以及电子健康记录中记录的临床变量。我们为院内患者开发了一个深度学习死亡率预测模型，该模型接受了完整的内部，前瞻性和外部评估。使用综合梯度和沙普利添加说明（SHAP）方法来分析危险因素的重要性。结果：该研究包括发育套件中的9989（16.4％）患者，内部验证集中的2497（14.1％）患者，前瞻性验证集中的1896年（18.3％），外部验证集中的7432（15％）患者。在早期评估中，病史和体格检查比其他因素更有用。模型的接收器工作特性曲线下的面积为0.838（95％CI 0.827-0.851），0.849（95％CI 0.841-0.856）和0.767（95％CI CI 0.762-0.772），对于内部，前瞻性，前瞻性，外部效力，以及外部效力。多峰模型的接收器操作特性曲线下的面积优于所有测试集中的单峰模型的区域，而表格数据有助于更高的歧视。结论：结合入学笔记和临床表格数据的多模式深度学习模型显示，有希望的功效是评估HF患者死亡风险的潜在新方法，提供了更准确，更及时的决策支持。
多模式深度学习模型
主要关键词
相关文件推荐
