Paper Number
Translated 1632
Description
由于传统预测指标在捕捉患者动态状况方面存在局限性，ICU拔管仍然具有挑战性。我们提出了拔管风险预测（ERP）算法，这是一种结合LSTM、CNN和TCN的深度学习模型，用于从高频呼吸机数据中预测拔管准备情况和肺炎风险。基于客观结果训练后，ERP达到了0.946和0.992的AUC，超越了传统指标。在一项基于模拟的随机研究中，60名ICU医生参与测试，ERP显著提高了决策准确性（+46%），并减少了风险规避行为。其可解释的人工智能特性 进一步调节了临床风险承担，提升了对简单病例的信心，并在复杂病例中促进谨慎.
Recommended Citation
Hu, Zhichao; Yao, Jiayu; Jinfa, Wu; Yeow, Adrian; and D'Souza, Jared, "人工智能辅助拔管决策的模拟实验研究" (2025). PACIS 2025 Proceedings. 3.
https://aisel.aisnet.org/pacis2025/translated/translated/3
人工智能辅助拔管决策的模拟实验研究
由于传统预测指标在捕捉患者动态状况方面存在局限性，ICU拔管仍然具有挑战性。我们提出了拔管风险预测（ERP）算法，这是一种结合LSTM、CNN和TCN的深度学习模型，用于从高频呼吸机数据中预测拔管准备情况和肺炎风险。基于客观结果训练后，ERP达到了0.946和0.992的AUC，超越了传统指标。在一项基于模拟的随机研究中，60名ICU医生参与测试，ERP显著提高了决策准确性（+46%），并减少了风险规避行为。其可解释的人工智能特性 进一步调节了临床风险承担，提升了对简单病例的信心，并在复杂病例中促进谨慎.