多模态机器学习通过医疗保健工作负载影响评估来预测手术部位感染

快速阅读: 据《Nature.com》最新报道，开发的方法能自动评估患者生成的数据，以识别可确定为“低风险”SSI的伤口。基于PROMs的诊断准确性良好，在外部验证中保持不变。多模态神经网络模型表现与DeepWound卷积神经网络模型相似，但在外部验证中区分度较低。临床医生评估伤口图像仍是最准确的方法，但多模态神经网络也能达到相同效果。两种策略在实际应用中都保持了诊断准确性，而混合方法还能减少需要面对面审查的患者数量，从而显著减轻人员负担。

这些用于自动评估患者生成数据的方法被开发出来，以识别那些可以自信地评估为“低风险”SSI（“排除”方法）的伤口。基于PROMs的诊断准确性对于两个感兴趣的结局都非常好，并且在外部验证中保持如此（表2）。此外，多模态模型的表现与DeepWound卷积神经网络模型相似（AUC：0.84），尽管DeepWound是在SSI发生率更高的图像数据上训练的（26.6%对比INROADE中的3.5%）。尽管在外部验证中卷积神经网络模型的区分度仅为中等水平（表2），但需要注意的是，这尚未对DeepWound卷积神经网络模型进行。

总体来说，临床分流通常是评估伤口图像并识别出48小时内可能获得SSI诊断的伤口最准确的方法。然而，使用多模态神经网络同样可以实现相同的诊断准确性，证明了其能够近似临床医生的评估。在实际操作中，当将多模态神经网络模型作为自动化评估流程的一部分实施时，两种策略均维持了与基线路径相当的诊断准确性（补充图2；表3）。然而，只有混合方法还减少了建议进行面对面审查的患者数量。这表明，虽然这些模型可以准确地“排除”没有明确SSI证据的情况，但临床医生目前仍更擅长审查更为复杂的病例。

这些流程在显著减轻人员负担方面具有明显优势（表3；图3）。

(以上内容均由Ai生成)