文獻(xiàn)基本信息

題目：Deep-learning model for predicting 30-day postoperative mortality

作者：Bradley A. Fritz , et al.

單位：Washington University

發(fā)表時(shí)間：2019年11月

期刊名稱：British Journal of Anaesthesia

影響因子與分區(qū)：7.08(Q1)

一、核心亮點(diǎn)

(1) 準(zhǔn)確的風(fēng)險(xiǎn)預(yù)測(cè)對(duì)患者、臨床醫(yī)生和資源規(guī)劃都很重要。

Accurate risk prediction is important for patient, clinicians, and resource planning.。

(2) 本研究使用患者和圍手術(shù)期電子數(shù)據(jù)比傳統(tǒng)預(yù)測(cè)工具更可靠地預(yù)測(cè)30天死亡率。

This study used patient and perioperative electronic data to more reliably predict 30-day mortality than conventional predictive tools.

(3) 該模型可用于術(shù)中確定基線特征和近期生命體征趨勢(shì)提示死亡風(fēng)險(xiǎn)升高的患者。

This model can be used intraoperatively to identify patients whose baseline characteristics and recent vital sign trends suggest an elevated risk for death.

二、整個(gè)文章的思路與方法

從電子病歷中回顧性地獲得了用于訓(xùn)練和測(cè)試機(jī)器學(xué)習(xí)算法的數(shù)據(jù)，將患者特征、共病情況、其他病史和體格檢查元素記錄在離散數(shù)據(jù)域中，利用神經(jīng)卷積算法構(gòu)建模型，預(yù)測(cè)術(shù)后30天的死亡率，并對(duì)比該算法與常規(guī)算法的準(zhǔn)確率，突出本研究中模型的優(yōu)點(diǎn)。

三、摘要

背景: 1-2%的住院大手術(shù)患者術(shù)后死亡。目前可用的基于術(shù)中數(shù)據(jù)總結(jié)的預(yù)測(cè)工具由于不能反映術(shù)中生理紊亂相關(guān)的轉(zhuǎn)移風(fēng)險(xiǎn)而受到限制。本文試圖將類似的基準(zhǔn)與預(yù)測(cè)術(shù)后30天死亡率的深度定位算法進(jìn)行比較。

方法: 本文利用患者特征、共病條件、術(shù)前實(shí)驗(yàn)室值和單個(gè)醫(yī)療中心進(jìn)行氣管插管手術(shù)的患者的術(shù)中數(shù)值數(shù)據(jù)構(gòu)建多路徑卷積神經(jīng)網(wǎng)絡(luò)模型。使用隨機(jī)選擇的時(shí)間點(diǎn)之前60分鐘的數(shù)據(jù)。模型的性能與深度神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、支持向量機(jī)和使用預(yù)先確定的術(shù)中數(shù)據(jù)匯總統(tǒng)計(jì)的邏輯回歸進(jìn)行了比較。

結(jié)果: 9907例患者中，941例 (1%)在30天內(nèi)死亡。多徑卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)術(shù)后30天死亡率，其在受者工作特征曲線下的面積為0.867(95%置信區(qū)間[CI]: 0.835-0.899)。這高于深度神經(jīng)網(wǎng)絡(luò)的0.825;95% CI: 0.790-0.860，隨機(jī)森林(0.848;95% CI: 0.815-0.882，支持向量機(jī)(0.836;95% CI: 0.802-870, logistic回歸(0.837;95%置信區(qū)間:0.803-0.871)。

結(jié)論: 與簡(jiǎn)單總結(jié)術(shù)中數(shù)據(jù)的模型相比，深度學(xué)習(xí)時(shí)間序列模型提高了預(yù)測(cè)能力。我們創(chuàng)建了一個(gè)模型，可以用于實(shí)時(shí)檢測(cè)患者術(shù)后死亡風(fēng)險(xiǎn)的動(dòng)態(tài)變化。

Background: Postoperative mortality occurs in 1e2% of patients undergoing major inpatient surgery.?The currently available prediction tools using summaries of intraoperative data are limited by their inability to reflect shifting risk associated with intraoperative physiological perturbations.?We sought to compare similar benchmarks to a deeplearning algorithm predicting postoperative 30-day mortality.?

Methods: We constructed a multipath convolutional neural network model using patient characteristics, co-morbid conditions, preoperative laboratory values, and intraoperative numerical data from patients undergoing surgery with tracheal intubation at a single medical centre.?Data for 60 min prior to a randomly selected time point were utilised.?Model performance was compared with a deep neural network, a random forest, a support vector machine, and a logistic regression using predetermined summary statistics of intraoperative data.

Results: Of 95 907 patients, 941 (1%) died within 30 days.?The multipath convolutional neural network predicted postoperative 30-day mortality with an area under the receiver operating characteristic curve of 0.867 (95% confidence interval [CI]: 0.835e0.899).?This was higher than that for the deep neural network (0.825;?95% CI: 0.790e0.860), random forest (0.848;?95% CI: 0.815e0.882), support vector machine (0.836;?95% CI: 0.802e870), and logistic regression (0.837;?95% CI: 0.803e0.871).?

Conclusions: A deep-learning time-series model improves prediction compared with models with simple summaries of intraoperative data.?We have created a model that can be used in real time to detect dynamic changes in a patient s risk for postoperative mortality.

四、圖表

表1 模型中包含的特性。

圖1. 多路徑卷積神經(jīng)網(wǎng)絡(luò)的總體架構(gòu)。 BN，批量標(biāo)準(zhǔn)化；Conv，卷積；FC，完全連接的塊；LSTM，長(zhǎng)期短期記憶；ReLU，整流線性單元。

表2 隊(duì)列特征。 分類變量以頻率(％)表示。連續(xù)變量表示為中位數(shù)(第25個(gè)百分位數(shù)，第75個(gè)百分位數(shù))，年齡除外(中位數(shù)(最小，最大))。METS，代謝等量。

圖2. 使用卷積神經(jīng)網(wǎng)絡(luò)(MPCNNeCNN)的多路徑卷積神經(jīng)網(wǎng)絡(luò)，使用長(zhǎng)短期記憶的多路徑卷積神經(jīng)網(wǎng)絡(luò)(MPCNNeLSTM)，深度神經(jīng)網(wǎng)絡(luò)(DNN)，隨機(jī)森林(RF)，支持向量機(jī)的性能特征曲線 (SVM)和邏輯回歸(LR)。 (a)每種型號(hào)的受試者工作特性曲線。(b)每個(gè)模型的精確調(diào)用曲線。

圖3. 在測(cè)試集中的患者中觀察到的死亡率與校準(zhǔn)的預(yù)計(jì)死亡率之間的關(guān)系(n=19205)。預(yù)測(cè)概率已通過(guò)在驗(yàn)證集中應(yīng)用直方圖合并技術(shù)進(jìn)行了校準(zhǔn)。

五、不足

(1)?忽略了外科醫(yī)生和麻醉師決策和技術(shù)技能的特征，這些特征可能對(duì)病人的預(yù)后有影響。

The omission of features characterising surgeon and anaesthetist decision-making and technical skill, which likely contribute to patient outcomes.

(2) 相當(dāng)數(shù)量的患者缺少手術(shù)類型或功能能力的數(shù)據(jù)。

A fair number of patients were missing data for surgery type or functional capacity.

六、啟發(fā)

本文的原始數(shù)據(jù)都是常見的臨床數(shù)據(jù)，但是利用深度學(xué)習(xí)的方法有效的使文章更有意義，而且其選的數(shù)據(jù)與時(shí)間點(diǎn)在臨床應(yīng)用有一定的價(jià)值，給我們?cè)诜治雠R床基礎(chǔ)數(shù)據(jù)時(shí)候有其他的思考角度。

參考文獻(xiàn)：

Fritz, B.A., et al., Deep-learning model for predicting 30-day postoperative mortality. Br J Anaesth, 2019. 123(5): p. 688-695

采編：李雪 ?????審核：謝茜榮

總結(jié)

以上是生活随笔為你收集整理的深度学习英文文献_文献速递 | 预测术后30天死亡率的深度学习模型的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。