预测呼吸机撤气的深度学习模型开发
机器学习
2025-03-05 v1
摘要
撤气失败是ICU环境中的一个关键关注点。这种情况发生在患者在停止机械通气后48小时内难以维持自发呼吸并确保气道通畅时。约有20%的ICU患者会经历这一现象，对患者健康产生严重后果。它也对临床演变和死亡率产生实质性影响，可使之增加25至50%。为此，我们提出了一个医疗支持系统，使用卷积神经网络（CNN）来评估患者在喘醒测试（SBT）后是否适合从机械通气中断。SBT期间记录了呼吸流量和心电活动，并使用时频分析（TFA）技术进行处理。本研究评估了两种CNN架构：一种基于ResNet50，参数通过贝叶斯优化算法调优；另一种CNN是从头设计的，其结构也采用贝叶斯优化算法进行调整。使用WEANDB数据库进行训练和评估。结果表明，采用从头设计的CNN时平均准确率可达98%。该模型在ICU中具有重要意义，因为它提供了一个可靠的工具，通过辅助医生及时准确地做出关于撤气的决策，从而可能减少与撤气失败相关的不良后果。
引用
@article{arxiv.2503.02643,
title = {Development of a Deep Learning Model for the Prediction of Ventilator Weaning},
author = {Hernando Gonzalez and Carlos Julio Arizmendi and Beatriz F. Giraldo},
journal= {arXiv preprint arXiv:2503.02643},
year = {2025}
}