脓毒症是一种高发病率、病死率的急危重综合征,早期诊断与治疗是改善其预后的关键。尽管现代医疗技术有了长足的进步,但脓毒症的及时而精准的诊断仍面临严峻挑战。近年来人工智能发展迅速,在医疗方面的应用日益广泛,在临床多种疾病的诊疗中成果颇丰。深度学习属于人工智能的前沿技术,可分析海量、高维的医疗数据,为脓毒症的诊断提供了一个新思路。本文总结了深度学习在脓毒症诊断中的研究进展,以期为脓毒症的诊疗提供参考。Sepsis is an acute and critical syndrome with high incidence rate and mortality. Early diagnosis and treatment is the key to improving its prognosis. Despite significant advances in modern medical technology, timely and accurate diagnosis of sepsis still faces serious challenges. In recent years, artificial intelligence has developed rapidly and its applications in healthcare have become increasingly widespread, with fruitful results in the diagnosis and treatment of various diseases in clinical practice. Deep learning is a cutting-edge technology in artificial intelligence that can analyze massive and high-dimensional medical data, providing a new approach for the diagnosis of sepsis. This article summarizes the research progress of deep learning in the diagnosis of sepsis, in order to provide reference for the diagnosis and treatment of sepsis.
目的:研究严重创伤进展为持续炎症-免疫抑制-分解代谢综合征(persistent inflammation,immunosuppression and catabolism syndrome,PICS)的影响因素,并构建PICS发生风险的列线图预测模型并评估其预测效果。方法:收集新疆医科大学第一...
详细信息
目的:研究严重创伤进展为持续炎症-免疫抑制-分解代谢综合征(persistent inflammation,immunosuppression and catabolism syndrome,PICS)的影响因素,并构建PICS发生风险的列线图预测模型并评估其预测效果。方法:收集新疆医科大学第一附属医院TICU 2017年6月—2023年5月收治的169例严重创伤患者资料。根据ICU住院第14天的C反应蛋白、淋巴细胞计数和白蛋白水平将患者分为PICS组(78例)和非PICS组(91例)。收集了患者的入院初次诊断指标、血栓弹力图、血小板指标及生化指标,使用独立样本t检验、Mann-Whitney U检验和χ2检验进行单因素分析,再进行多因素logistic分析确定严重创伤并发PICS的危险因素;使用R软件建立列线图预测模型,通过受试者工作特征曲线下面积(area under curve,AUC)和拟合度检验评估模型预测效果。结果:在169例严重创伤患者中,78例发展为PICS,91例未发展为PICS。两组在年龄、年龄评分、最大振幅(maximum amplitude,MA)、凝固角、血块30 min溶解百分比、血液凝固时间、血小板平均分布宽度、血小板计数、血小板压积、总蛋白、球蛋白、总胆固醇及γ谷氨酰胺基转肽酶(γ-glutamyl transferase,γ-GGT)方面差异有统计学意义(P<0.05)。多因素logistic回归分析显示,血小板平均分布宽度(platelet distribution width,PDW)、MA、γ-GGT是严重创伤并发PICS的独立影响因素(H-L检验0.847,正确百分比74%),使用这些独立危险因素建立的列线图模型具有较好区分度及校准度(AUC=0.787,MAE=0.053)。结论:PDW、MA、γ-GGT是严重创伤并发PICS的独立影响因素。基于这些指标构建的列线图模型能较好预测严重创伤患者发生PICS的可能性,有助于早期识别和阻止PICS的发生发展。
暂无评论