این تیم مدل یادگیری عمیق را در میان افراد مبتلا به پنومونی اکتسابی از جامعه در بخش‌های اورژانس در موسسه‌ای که گروه توسعه در آن بین ژانویه تا دسامبر 2020 تشخیص داده شده بود (گروه آزمایش موقت، 947 نفر) ارزیابی کرد.
در مقابل، ترخیص زودهنگام از خانه و درمان محافظه کارانه برای بیماران کم خطر می تواند استفاده غیر ضروری از منابع پزشکی را کاهش دهد.
این مدل می‌تواند تصمیم‌گیری را هدایت کند و نتایج CAP را با شناسایی بیماران پرخطر (کسانی که نیاز به بستری شدن در بیمارستان و درمان فشرده، از جمله درمان آنتی‌بیوتیکی داخل وریدی یا حمایت تنفسی دارند) را بهبود بخشد.
به طور کلی، یافته‌های مطالعه نشان داد که مدل یادگیری عمیق می‌تواند مرگ و میر را در 30.0 روز پس از تشخیص CAP با استفاده از اشعه ایکس قفسه سینه که برای تشخیص با عملکرد برتر نسبت به ابزار CURB-65 به دست آمده است، تخمین بزند.
داده‌های مرگ‌ومیر با استفاده از EMR یا داده‌های ثبت مرگ از وزارت کشور و ایمنی جمهوری کره تأیید شد.
مقادیر AUC برای خطرات مرگ و میر 30 روزه تخمین زده شده برای مدل یادگیری عمیق در مقایسه با CURB-65 در میان شرکت کنندگان گروه آزمایش زمانی بیشتر بود (0.80 در مقابل 0.70) اما در بین افرادی که متعلق به گروه های آزمایش خارجی A بودند (0.8 در مقابل A) از نظر آماری معنی دار نبود. 0.7) و B (0.8 در مقابل 0.7).
در مطالعه گذشته نگر حاضر، محققان با استفاده از رادیوگرافی قفسه سینه اولیه، یک مدل مبتنی بر DL پیش بینی کننده مرگ را طی 30 روز در میان بیماران CAP ایجاد و اعتبار سنجی کردند.
اندازه گیری پیامد اولیه مرگ و میر به هر علتی در 30.0 روز پس از تشخیص CAP بود. یک شبکه عصبی کانولوشنال (CNN) برای پیش‌بینی مرگ و میر 30 روزه پس از تشخیص CAP بر اساس اسکن‌های رادیوگرافی قفسه سینه از بیماران در گروه رشد ایجاد شد.
این مطالعه شامل جستجوی سوابق پزشکی الکترونیکی (EMRs) یک موسسه ارجاع ثالثیه برای افرادی بود که در طی هر برخورد مراقبت‌های بهداشتی بین مارس 2013 و دسامبر 2019 تشخیص CAP را دریافت کردند.
در مقایسه با CURB-65، مدل DL دارای حساسیت مشابه اما ویژگی بالاتر بود، با ارزش اخباری مثبت (PPV) 35٪ در مقابل 18٪ و ارزش اخباری منفی (NPV) 95٪ در مقابل 94٪. مدل DL کالیبراسیون قابل قبولی را در گروه آزمایش موقت نشان داد اما به طور قابل توجهی خطر مرگ و میر 30 روزه را در گروه‌های آزمایش خارجی A و B بیش از حد تخمین زد.
گروه توسعه شامل بیمارانی بود که در طول هر برخوردی با CAP تشخیص داده شدند، در حالی که گروه‌های آزمایشی بعدی فقط شامل بیمارانی بودند که در طول برخورد با بخش اورژانس با CAP تشخیص داده شدند. این تیم مقادیر سطح زیر منحنی (AUC) را بین مدل یادگیری عمیق و ابزار CURB-65 مقایسه کرد و نتایج رویکرد ترکیبی با مدل‌سازی رگرسیون لجستیک ارزیابی شد.
این مدل برای پیش‌بینی خطرات مرگ‌ومیر 30 روزه برای بیماران CAP با استفاده از اشعه ایکس اولیه قفسه سینه ایجاد شد.
مدل یادگیری عمیق با توزیع 3.0: 1.0: 1.0 شرکت‌کننده به گروه آموزشی، گروه اعتبارسنجی و گروه آزمایش داخلی برای تخمین خطر مرگ به هر علتی 30 روزه در میان بیماران CAP با اسکن‌های رادیوگرافی قفسه سینه آنها در آن زمان ابداع شد. تشخیص به عنوان ورودی
خروجی‌های مدل احتمال بقای مشروط را در بازه‌های زمانی مختلف نشان می‌دهند، و یک رادیولوژیست قفسه سینه با تجربه یک تحلیل پستی از نقشه‌های فعال‌سازی کلاس انجام می‌دهد.
مطالعه: یک مدل یادگیری عمیق با استفاده از رادیوگرافی قفسه سینه برای پیش بینی مرگ و میر 30 روزه در بیماران مبتلا به پنومونی اکتسابی از جامعه: توسعه و اعتبارسنجی خارجی. اعتبار تصویر: AndreySuslov/Shutterstock.com
در گروه‌های آزمایش خارجی A و B، مدل DL، نمرات CURB-65، و مدل ترکیبی منحنی‌های تصمیم گیری کیفی مشابهی را نشان دادند، با پیشرفت‌های اندکی در سود خالص خالص برای مدل یادگیری عمیق و مدل ترکیبی در مقایسه با نمرات CURB-65. .
آنها همچنین مدل را در دو مؤسسه دیگر، یعنی دولت متروپولیتن سئول- مرکز پزشکی دانشگاه ملی سئول بورامه (گروه آزمایش خارجی A، 467 نفر) بین ژانویه تا مارس 2020، و بیمارستان دانشگاه چانگ-انگ (گروه آزمایش خارجی B، 381 نفر) بین مارس 2019 تا اکتبر 2021.
در مطالعه اخیر منتشر شده در مجله آمریکایی Roentgenology، محققان یک مدل یادگیری عمیق (DL) را برای تخمین خطر مرگ و میر 30 روزه در میان بیماران پنومونی اکتسابی از جامعه (CAP) با استفاده از اشعه ایکس قفسه سینه برای تشخیص به عنوان ورودی توسعه دادند. عملکرد مدل را در بین بیماران از موسسات و دوره های مختلف تایید کرد.
مدل تحت تأثیر ویژگی‌های نامربوط مانند نشانگرهای رادیوگرافی یا مواد بیرونی قرار نگرفت. ارزیابی تعقیبی نقشه‌های فعال‌سازی کلاس نشان داد که پیش‌بینی‌های مدل DL تا حد زیادی دقیق بودند.
CAP، یک علت شایع ذات الریه، با مرگ و میر قابل توجهی و استفاده از منابع پزشکی مرتبط است. رادیوگرافی قفسه سینه یک ابزار ضروری برای تشخیص CAP و طبقه بندی خطر است.
مدل DL یک پیش‌بینی‌کننده قابل توجه مرگ و میر 30 روزه بود، با نسبت شانس 1.08 برای افزایش 1.0٪ در خطر پیش‌بینی‌شده پس از تعدیل امتیازات CURB-65.
با این حال، گنجاندن یافته های رادیوگرافی قفسه سینه در ابزارهای پیش بینی خطر به دلیل تنوع بین خوانندگان و دشواری استخراج بیومارکرهای عینی محدود شده است. امتیاز CURB-65 و شاخص شدت پنومونی در حال حاضر ابزارهای موجود برای پیش‌بینی پیامدهای نامطلوب در بیماران CAP هستند.
این مدل AUC بین 0.77 تا 0.80، با ویژگی بالاتر (در محدوده بین 61٪ و 69٪) در مقایسه با CURB-65 (در محدوده بین 44٪ و 58٪) در حساسیت مشابه به همراه داشت.
این مطالعه میزان مرگ و میر 30 روزه 1421 بیمار در گروه رشدی را تجزیه و تحلیل کرد که شامل 1421 بیمار در مجموعه آزمایش داخلی بود.
تصاویر پنومونی بر پیش‌بینی‌های مدل DL در بیماران با خطر پیش‌بینی بالا تأثیر گذاشت، در حالی که آن‌هایی که بیماران با خطر پیش‌بینی پایین داشتند تحت تأثیر سایر مناطق تصویر قرار گرفتند.