基于Transformer的深度学习算法用于自动记录未文档化的临床单肺通气事件
信号处理
2023-02-27 v1
摘要
作为一个研究肺术后并发症预测因素的研究团队，我们遇到了单肺通气（OLV）开始和结束时间数据高度缺失的问题，原因在于手术期间临床工作量大和认知超负荷。此类缺失数据限制了我们发现结果的精确性和临床适用性。我们假设，可用的术中机械通气和生理时间序列数据结合其他临床事件，可用于准确预测缺失的OLV开始和结束时间。这样的预测模型可恢复现有记录缺失的文档，并通过在临床环境中部署来减轻记录负担。为此，我们开发了一种深度学习模型，基于常规收集的术中数据来预测OLV的发生和时间。我们的方法结合了变量的空间域和频域特征，使用Transformer编码器对时间演化建模，并使用卷积神经网络从小波谱图像中提取感兴趣频率。所提方法的性能在来自麻省总医院（MGH）和布列根和妇女医院（BWH）的基准数据集上进行了评估。实验表明，我们的方法显著优于基线方法，并产生了令临床使用满意的准确度。
引用
@article{arxiv.2302.12713,
title = {A Transformer-based Deep Learning Algorithm to Auto-record Undocumented Clinical One-Lung Ventilation Events},
author = {Zhihua Li and Alexander Nagrebetsky and Sylvia Ranjeva and Nan Bi and Dianbo Liu and Marcos F. Vidal Melo and Timothy Houle and Lijun Yin and Hao Deng},
journal= {arXiv preprint arXiv:2302.12713},
year = {2023}
}
备注
Accepted to AAAI-2023 Workshop on Health Intelligence