文獻基本信息

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

作者：Bradley A. Fritz , et al.

單位：Washington University

發表時間：2019年11月

期刊名稱：British Journal of Anaesthesia

影響因子與分區：7.08(Q1)

一、核心亮點

(1) 準確的風險預測對患者、臨床醫生和資源規劃都很重要。

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

(2) 本研究使用患者和圍手術期電子數據比傳統預測工具更可靠地預測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) 該模型可用于術中確定基線特征和近期生命體征趨勢提示死亡風險升高的患者。

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

二、整個文章的思路與方法

從電子病歷中回顧性地獲得了用于訓練和測試機器學習算法的數據，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據域中，利用神經卷積算法構建模型，預測術后30天的死亡率，并對比該算法與常規算法的準確率，突出本研究中模型的優點。

三、摘要

背景: 1-2%的住院大手術患者術后死亡。目前可用的基于術中數據總結的預測工具由于不能反映術中生理紊亂相關的轉移風險而受到限制。本文試圖將類似的基準與預測術后30天死亡率的深度定位算法進行比較。

方法: 本文利用患者特征、共病條件、術前實驗室值和單個醫療中心進行氣管插管手術的患者的術中數值數據構建多路徑卷積神經網絡模型。使用隨機選擇的時間點之前60分鐘的數據。模型的性能與深度神經網絡、隨機森林、支持向量機和使用預先確定的術中數據匯總統計的邏輯回歸進行了比較。

結果: 9907例患者中，941例 (1%)在30天內死亡。多徑卷積神經網絡預測術后30天死亡率，其在受者工作特征曲線下的面積為0.867(95%置信區間[CI]: 0.835-0.899)。這高于深度神經網絡的0.825;95% CI: 0.790-0.860，隨機森林(0.848;95% CI: 0.815-0.882，支持向量機(0.836;95% CI: 0.802-870, logistic回歸(0.837;95%置信區間:0.803-0.871)。

結論: 與簡單總結術中數據的模型相比，深度學習時間序列模型提高了預測能力。我們創建了一個模型，可以用于實時檢測患者術后死亡風險的動態變化。

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. 多路徑卷積神經網絡的總體架構。 BN，批量標準化；Conv，卷積；FC，完全連接的塊；LSTM，長期短期記憶；ReLU，整流線性單元。

表2 隊列特征。 分類變量以頻率(％)表示。連續變量表示為中位數(第25個百分位數，第75個百分位數)，年齡除外(中位數(最小，最大))。METS，代謝等量。

圖2. 使用卷積神經網絡(MPCNNeCNN)的多路徑卷積神經網絡，使用長短期記憶的多路徑卷積神經網絡(MPCNNeLSTM)，深度神經網絡(DNN)，隨機森林(RF)，支持向量機的性能特征曲線 (SVM)和邏輯回歸(LR)。 (a)每種型號的受試者工作特性曲線。(b)每個模型的精確調用曲線。

圖3. 在測試集中的患者中觀察到的死亡率與校準的預計死亡率之間的關系(n=19205)。預測概率已通過在驗證集中應用直方圖合并技術進行了校準。

五、不足

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

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

(2) 相當數量的患者缺少手術類型或功能能力的數據。

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

六、啟發

本文的原始數據都是常見的臨床數據，但是利用深度學習的方法有效的使文章更有意義，而且其選的數據與時間點在臨床應用有一定的價值，給我們在分析臨床基礎數據時候有其他的思考角度。

參考文獻：

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

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內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。