(相关资料图)
根据 6 月 14 日在线发表在《美国伦琴学杂志》上的一项研究,对于社区获得性肺炎 (CAP) 患者,使用初始胸片的深度学习 (DL) 模型可以预测 30 天的亡率。
韩国首尔国立大学医院的 Changi Kim 及其同事开发了一种 DL模型,利用来自一家机构的 7,105 名患者的诊断时的胸片来预测CAP患者30 天的亡率。该模型在来自同一机构(时间测试模型[947 名患者])和来自另外两个不同机构(外部测试队列 A 和 B [分别为 467 名和 381 名患者])的急诊科就诊期间诊断为 CAP 的患者进行了评估。
研究人员发现,在时间测试集中,DL 模型预测 30 天亡率的受试者工作特征曲线下面积 (AUC) 高于既定风险预测 CURB-65 评分(分别为 0.77 和 0.67);在外部测试队列 A 和 B 中,DL 模型的较高 AUC 与 CURB-65 相比并不显着(分别为 0.80 与 0.73 和 0.80 与 0.72)。
在这三个队列中,DL 模型在 CURB-65 评分实现的相同灵敏度下表现出显着更高的特异性(范围分别为 61% 至 69% 和 44% 至 58%)。与 CURB-65 评分相比,DL 模型和 CURB-65 评分的组合使时间测试队列和外部测试队列 B 的 AUC 增加(分别为 0.77 和 0.80)。
作者写道:“DL 模型可以通过识别需要住院和强化治疗的高危患者来指导 CAP 患者管理的临床决策。”