Name
Sepsis Lauritsen CNN-LSTM (Aarhus Universität, Dänemark)
Alternative Bezeichnung
N/A
Endpunkt
Sepsis bei Aufnahme in die Klinik
Kurzbeschreibung
Neuronales Netz zur Früherkennung von Sepsis bei Aufnahme, das mit einem multizentrischen dänischen nicht-intensivmedizinischen Datensatz trainiert wurde.
Variablen
- Diagnosen (ICD-10)
- Prozeduren (NCSP)
- Vitalparameter (Blutdruck, Herzfrequenz, Atemfrequenz, Sauerstoffsättigung, Körpertemperatur)
- Strukturierte Notizen mit physiologischen Messwerten, Symptomenklassifikationen, Auswahlfelddaten wie Rauch- und Bewegungsgewohnheiten
- Medikationsdaten
- Mikrobiologie-Daten
- Blutgasanalyse
- Radiologie-Befunde (Computertomographie, Magnetresonanztomographie, Ultraschall, Röntgen, Positronen-Emissions-Tomographie)
- Alter
- Adresse
- Familienstand
- “Booking information”
Methodik und Algorithmus
CNN-LSTM: Neuronales Netz bestehend aus einem convolutional neural network (CNN) mit long short-term memory (LSTM)
Trainingsdaten
- Stationäre Patienten (>= 18 Jahre) von Stationen mit einer Sepsis-Prävalenz ≥ 2% bei denen alle o.g. Vitalparameter mindestens einmal erhoben wurden.
- Multizentrische Erhebung von 4 dänischen Kliniken
- Zeitraum 2010-2017
- Anzahl Datenpunkte: 41.783 (davon Sepsis-Datenpunkte: NA, vermutlich weniger als 2.000)
Performance
Interne Validierung:
Zum Zeitpunkt 3h vor Sepsisbeginn:
- AUROC: 0,842
- 9 von 10 Alarmen sind Fehlalarme (Sensitivität: 17%, Spezifität: 91%)
- 27 von 39 untersuchten Patienten hätten zu diesem Zeitpunkt profitieren können, wenn sie richtiger Weise alarmiert worden wären
Externe Validierung:
N/A
Unabhängige Validierung:
N/A
Entwickler
Forschungsarbeit der Aarhus Universität (Erstautor: Simon Meyer Lauritsen, Letztautor: Bo Thiesson)
Verfügbarkeit
In Forschung
Open Source: Nein
Open Data: Nein
Erstveröffentlichung
17.02.2020
Quellen
- Studie der Erstveröffentlichung: Lauritsen et al (2020): Early detection of sepsis utilizing deep learning on electronic health record event sequences