机构名称：
¥ 1.0
耐甲氧西林金黄色葡萄球菌（MRSA）在医院中造成了明显的病态和死亡率。MRSA的快速，准确的风险地层对于优化抗生素治疗至关重要。我们的研究介绍了一个深度学习模型Pytorch_EHR，该模型利用电子健康记录（EHR）时间序列数据，包括广泛的患者特定数据，以预测两周内MRSA的阳性。8,164 MRSA和22,393例来自德克萨斯州休斯敦市纪念馆Hermann医院系统的非MRSA患者事件用于模型开发。 Pytorch_EHR优于准确性（AUROC PYTORCH_EHR = 0.911，AUROC LR = 0.857，AUROC LROC LR = 0.892），均优于逻辑回归（LR）和光梯度增压机（LGBM）模型。 外部验证来自医学信息MART的393,713例患者事件（MIMIC）-IV数据集（IV）在波士顿的IV数据集证实其优异的准确性（Auroc Pytorch_ehr = 0.859，Auroc LR = 0.816，Auroc LRR = 0.816，AUROC LGBM = 0.838）。 我们的模型有效地将患者分为高，中和低风险类别，可能优化抗微生物疗法，并减少不必要的MRSA特异性抗菌药物。 这突出了深度学习模型在预测MRSA阳性文化，超越传统机器学习模型和支持临床医生的判断方面的优势。8,164 MRSA和22,393例来自德克萨斯州休斯敦市纪念馆Hermann医院系统的非MRSA患者事件用于模型开发。Pytorch_EHR优于准确性（AUROC PYTORCH_EHR = 0.911，AUROC LR = 0.857，AUROC LROC LR = 0.892），均优于逻辑回归（LR）和光梯度增压机（LGBM）模型。外部验证来自医学信息MART的393,713例患者事件（MIMIC）-IV数据集（IV）在波士顿的IV数据集证实其优异的准确性（Auroc Pytorch_ehr = 0.859，Auroc LR = 0.816，Auroc LRR = 0.816，AUROC LGBM = 0.838）。我们的模型有效地将患者分为高，中和低风险类别，可能优化抗微生物疗法，并减少不必要的MRSA特异性抗菌药物。这突出了深度学习模型在预测MRSA阳性文化，超越传统机器学习模型和支持临床医生的判断方面的优势。
深度学习模型，用于个性化的积极预测...
主要关键词
相关文件推荐
