Critical Care Medicine：基于深度学习预测重症患者复发性谵妄

翻译 王洪亮 哈尔滨医科大学附属第二医院

审校 陈志 同济大学附属上海同济医院

目的：使用深度学习预测ICU患者复发性谵妄。

设计：回顾性队列研究。

地点：2014年1月1日-2020年2月24日期间，加拿大阿尔伯塔省的15个内-外科ICU。

患者：38,426名患者，43,510次入ICU。

干预措施：无。

测量和主要结果：我们使用ICU和管理健康数据来训练深度学习模型，从入ICU后24小时开始，预测未来两个12小时内（0 ~ 12小时和12~ 24小时）患者的谵妄发作，并于每12小时生成新的预测。我们使用了包括3,643个特征的综合集合，记录患者的病史，入ICU的早期信息（前24小时）及在ICU整个住院过程中各种临床变量的时间动态变化。我们的深度学习架构由特征嵌入、循环和预测模块组成。在0 ~12小时预测范围的支持测试集中，我们基于门控循环单元的最佳模型的灵敏度为0.810，特异性为0.848，精确度（阳性预测值）为0.704，ROC曲线下面积（area under the receiver operating characteristic curve，AUROC）为0.909；在12 ~ 24小时预测范围内，同一模型的灵敏度为0.791，特异度为0.807，精确度为0.637，AUROC为0.895。

结论：我们的谵妄预测模型通过对数据集进行深度学习，具有很好的预测性能，这些数据集至少比以前的研究中使用的数据大一个数量级。本研究的另一个新颖之处在于是我们的特征数据和预测的时间性质。该模型能够准确预测ICU内即将发生的谵妄，这可能有助于早期干预，更有效地分配ICU资源并改善ICU患者预后。