基于深度学习的创伤出血量分级预测模型研究

摘要：

目的:基于深度学习方法开发创伤出血量分级预测模型，以辅助预测创伤动物出血量。方法:基于中国人民解放军总医院构建的战创伤动物实验时效评估数据库中猪枪弹伤实验数据进行回顾性观察性研究。提取研究总体的出血量数据，并按照出血量将其分为0~300 mL组、301~600 mL组、>600 mL组。采用生命体征指标作为预测变量、出血量分级作为结局变量，基于4种传统机器学习和10种深度学习方法开发创伤出血量分级预测模型；采用实验室检验指标作为预测变量、出血量分级作为结局变量，基于上述14种算法开发创伤出血量分级预测模型。通过准确率和受试者工作特征曲线下面积（AUC）对上述两组模型进行效果评价，并将两组中的最优模型混合得到混合模型1；通过遗传算法进行特征选择，并根据最佳特征组合构建混合模型2；最后，将混合模型2部署于动物实验数据库系统中。结果:纳入数据库中创伤动物96只，其中0~300 mL组27只，301~600 mL组40只，>600 mL组29只。在基于生命体征指标构建的14种模型中，全卷积网络（FCN）模型为最优模型〔准确率为60.0%，AUC及95%可信区间（95%
CI）为0.699（0.671~0.727）〕；在基于实验室检验指标构建的14种模型中，循环神经网络（RNN）模型为最优模型〔准确率为68.9%，AUC（95%
CI）为0.845（0.829~0.860）〕。FCN与RNN模型混合后得到混合模型1，即RNN-FCN模型，模型效果得到提升〔准确率为74.2%，AUC（95%
CI）为0.847（0.833~0.862）〕；通过遗传算法进行特征选择，根据筛选后的特征组合构建混合模型2，即RNN-FCN*模型，进一步提升了模型效果〔准确率为80.5%，AUC（95%
CI）为0.880（0.868~0.893）〕，该模型包含10项指标，分别为平均动脉压（MAP）、血细胞比容（HCT）、血小板计数（PLT）、血乳酸（Lac）、动脉血二氧化碳分压（PaCO
2）、二氧化碳总量、血Na
+、阴离子隙（AG）、纤维蛋白原（FIB）、国际标准化比值（INR）。最后，将RNN-FCN*模型部署在数据库系统中，实现了对创伤动物出血量的自动、连续、高效、智能、分级预测。
结论:基于深度学习开发了一种创伤出血量分级预测模型，并部署在信息系统中，实现了对创伤动物出血量的智能分级预测。

关键词：战创伤、出血量、深度学习、预测模型

所属期刊栏目：34

资助基金：国家重点研发计划项目2020YFC1512702;National Key Research and Development Program of China2020YFC1512702

在线出版日期：2023-05-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：746-751