医疗AI-CDSS可实时预测术中大出血风险,来自JAMA的最新研究

2022-12-21

在一些高风险手术中,大出血是导致死亡的主要原因,通常的处理方式是急性出血控制和大量输血。而大量输血需要准备大量血液制品和医务人员紧密合作,因此在手术过程中早期预测大量输血有助于及时、恰当地处理大出血。也有研究显示,延迟输血与死亡率和/或发病率增加有关。

 

为提前预测术中是否需要大量输血,韩国首尔国立大学医学院、首尔国立大学医院和宾夕法尼亚大学的专家利用机器学习和人工智能(AI)开发了一个预测模型,使用患者血流动力学监测数据,可提前10分钟实时预测患者是否需要大量输血,从而实现对高危患者的早期干预。研究结果于近日发表在《美国医学会杂志》(JAMA)上。

 

这是医疗AI与CDSS更深层次结合的又一成果。

http://www.huimei.com/real/img/_@@_16716027314383643.png

大量输血定义为在一小时内输注3个或以上单位的红细胞。在需要输血的急性出血病例中,患者生命体征的细微变化发生在医生可以识别的明确变化之前。已有研究表明,一些临床参数,如血压、心率、氧饱和度等可作为大量输血的预测指标。

 

但这些数据集往往较大,无法进行人工统计和分析。而CDSS可以通过对大量数据集进行模式识别,来学习这些变量之间的非线性关系,从而在手术中检测患者连续血流动力学信号模式的早期变化,预测大量输血事件。

 

研究人员首先收集了2016年8月至2019年12月在SNUH接受手术,且接受大量输血并有记录输血开始时间的17986名患者的生命体征数据。

随后,研究人员将这些病例根据手术年份分为开发数据集和内部验证数据集。开发数据集包括2016年至2018年接受手术的12535名患者,内部验证数据集包括2019年手术的 5451名患者。

为进一步验证预测模型的性能,研究人员还收集了2020年至2021年期间在韩国二级医疗机构Boramae 医疗中心 (BMC) 接受手术的494名患者数据,作为外部验证数据集。

研究人员首先使用患者的术前特征建立了术前预测模型,包括人口统计信息和术前实验室结果数据。在各种机器学习方法中,最好的术前预测模型是梯度提升算法,该CDSS模型在SNUH内部验证数据集中的AUROC为0.824。

随后研究人员将术前变量与术中特征相结合,形成实时术中预测模型,来改善大量输血的预测性能。为了探索术中特征的最佳组合,研究人员比较了使用不同术中特征数据的实时术中预测模型的性能,其中BP、HR、SpO2、ST、术中血细胞比容值结合术前特征的模型在内部验证数据集中预测准确性最佳。

在SNUH的内部验证数据集和BMC的外部验证数据集中,该CDSS模型的AUROC和AUPRC分别为0.972、0.943和0.571、0.370,可以看出实时术中预测模型明显优于术前预测模型。

http://www.huimei.com/real/img/_@@_16716027433419479.png

此外,研究人员还运用术中预测模型对两组患者的紧急程度和麻醉类型进行了预测,在SNUH内部验证数据集中和BMC的外部验证数据集中,该模型的术中预测都表现良好。

该研究开发的CDSS模型可以促进早期识别大量输血和后续管理,例如让麻醉团队进行适当干预,准备大量血液制品,调动更多医务人员,及时开始输血等,从而改善手术治疗效果。

此外,该研究还展示了医疗AI-CDSS在临床实践中的潜力。在手术过程中,患者生命体征不断变化,且会产生大量数据,医生需实时了解这些不断变化的生命体征进行决策。当数据量太大时,医生的解读速度很难赶上数据的产生速度。该研究使用循环深度学习模型来分析动态数据,根据手术期间患者生命体征的变化进行实时预测,有助于检测临床状态的变化和早期决策。

据了解,这是首个利用术中参数在大量患者中预测大量输血的模型,其表现增强了研究人员对AI临床辅助决策系统在手术领域应用的信心。

成为我们的

合作伙伴

医院演示预约
提交以下真实信息,我们将尽快联系您