金沙国际唯一官网网址
修改密码
申请投审稿用户
申请投审稿用户需要填写邮箱和上传个人简历

利用人工神经网络预测创伤性脑损伤预后

2019-11-21 杨志荣 孙一睿

0

美国每年有数千名儿童发生创伤性脑损伤。但其中只有一小部分患儿需要住院治疗或长期随访。

美国田纳西州范德比尔特大学医学院医学科学专业的Andrew T. Hale等创建一种评估临床TBI相关风险(clinically relevant TBI,CRTBI)的指标,研究成果发表在2018年11月的《J Neurosurg Pediatr》上。


——摘自文章章节


【Ref: Hale AT, et al. J Neurosurg Pediatr. 2018 Nov 2;23(2):219-226. doi: 10.3171/2018.8.PEDS18370.】


研究背景



美国每年有数千名儿童发生创伤性脑损伤(TBI)。但其中只有一小部分患儿需要住院治疗或长期随访。如何区分这类患儿很重要,可为患儿早期安全出院提供依据,并减少不必要的医疗保健支出。美国田纳西州范德比尔特大学医学院医学科学专业的Andrew T. Hale等创建一种评估临床TBI相关风险(clinically relevant TBI,CRTBI)的指标,研究成果发表在2018年11月的《J Neurosurg Pediatr》上。


研究方法



25家医院加盟儿科急诊医疗应用研究网络(Pediatric Emergency Care Applied Research Network,PECARN),交流根据患儿临床表现和头部CT结果制定的CRTBI评判指标。由此,许多医疗中心发表独立制定的预测指标,供TBI患儿治疗所用。但未使用人工神经网络(Artificial Neural Networks,ANN)进行研究。


ANN是一种机器学习算法,已广泛应用于临床医学,胜过传统的统计方法。与传统统计方法相比,由于①ANN可以输入任意数量的变量和预测任意数量的计算结果;②当ANN接触到新数据时,能够随着时间的推移提高预测能力;③能实现ANN内部验证和测试,因此ANN具有更强的判别能力。研究者采用ANN技术创建一个结合临床资料和CT数据的预测患儿TBI相关风险的CRTBI模型;为提高计算的准确性和减少误差,开发软件包,扩展以前的PECARN预测研究,实现准确的预测和验证目标。


在创立上述CRTBI模型的基础上,研究者采用多中心PECARN的TBI患儿数据,对18岁以下TBI患儿的临床资料和入院头部CT成像数据,包括①神经外科手术、②头部创伤后插管>24小时、③住院≥48小时或④TBI所致死亡等,进行ANN学习和训练,确定TBI患儿的CRTBI风险。最终构建成预测CRTBI风险的人工神经网络,用以预测TBI患儿的预后。


研究结果



结果发现,纳入的12,902例患儿中,480例具有CRTBI。ANN灵敏度99.73%,精确度98.19%,准确度97.98%,阴性预测值91.23%和假阴性率为0.0027%。CRTBI特异性60.47%;受试者工作特征曲线(ROC)为0.9907。


结论



由此作者得出结论,根据TBI患儿的临床资料和CT成像数据,通过人工神经网络,可预测CRTBI患儿预后。该研究为将来直接将人工智能算法纳入电子病历研究奠定基础,也为临床医生提供实时、数据驱动的辅助性预测结果。