PICU内病死率的连续预测:单中心数据集内循环神经网络模型

Continuous prediction of mortality in the PICU:a recurrent neural network model in a single-center dataset

目的从概念证据角度建立一个使用电子病历数据的循环神经网络模型, 该模型能够持续个体化评估PICU患儿住院期间的病死风险, 以作为疾病严重程度的替代指标。设计回顾性队列研究。场所一家三级学术型儿童医院的PICU。对象 2010年1至2019年2月间的12 516次PICU入院(9 070例)儿童, 分为培训组(50%)、验证组(25%)和测试组(25%)。干预措施无测量方法与主要结果测试组2 475次PICU住院≥24 h, 循环神经网络模型第12小时预测的受试者工作特征曲线下面积(area under the curve, AUC)为0.94(CI 0.93~0.95), 高于儿科病死率指数(0.88, CI 0.85~0.91, P<0.02)、小儿死亡风险评分Ⅲ(第12小时)(0.89, CI 0.86~0.92, P<0.05)和小儿器官功能障碍评分(第1天)(0.85, CI 0.81~0.89, P<0.002)。循环神经网络的辨别力随所获数据增多和引导时间缩短而增强, 出院前24 h AUC达到0.99。尽管没有诊断信息, 但循环神经网络在不同主要诊断类别中均表现良好, 这些组的AUC得分普遍高于其他3个评分。测试组内692次PICU住院≥5 d, 循环神经网络的AUC显著优于其匹配的每日小儿器官功能障碍评分(P<0.05)。结论循环神经网络模型可以处理患儿电子病历数据中包含的数百个输入变量, 并在测量数据可用时动态集成。其高分辨能力表明循环神经网络有潜力为ICU患儿提供准确、连续和实时的评估。