增强透析期低血压预测：一种优先考虑数据隐私的深度学习方法

血液透析过程中低血压（IDH）对血液透析患者构成重大风险。传统的预测模型通常依赖于大量的患者数据，这引发了对隐私的担忧。本研究提出了一种新方法，利用深度学习技术，仅使用血液透析机提供的最少匿名数据来预测IDH，有效地降低了隐私风险。

该研究使用了来自两家韩国医院血液透析数据库的数据，涵盖了来自334名患者的63,640次血液透析治疗。这些数据经过仔细的匿名处理，以保护患者隐私。研究采用了三种不同的IDH定义：（1）收缩压（SBP）最低值<90 mmHg (Nadir90)；（2）SBP较基线下降≥20 mmHg (Fall20)；以及（3）SBP下降≥20 mmHg和/或平均动脉压下降≥10 mmHg (Fall20/MAP10)。模型被训练用于在10分钟的时间窗口内预测IDH事件，使用的是前30分钟的血液透析机数据。

进行了比较分析，评估了深度学习模型（卷积神经网络）与传统机器学习算法（如逻辑回归和XGBoost）的性能。深度学习模型在所有三种IDH定义中始终优于其对应算法。具体而言，受试者工作特征曲线下面积（AUROC）值分别为：Nadir90为0.905，Fall20为0.864，Fall20/MAP10为0.863。这些结果证明了深度学习方法在识别即将发生的IDH事件方面的优越预测能力。

本研究的重要贡献在于它开发了一种强大且准确的IDH预测模型，该模型优先考虑数据隐私。通过仅依赖于现成的血液透析机数据，该模型有效地消除了对潜在敏感患者信息的需要。高AUROC值突显了该模型在改善患者安全和降低血液透析治疗过程中IDH发生率方面的临床潜力。进一步的研究可以探索该模型在不同患者群体和血液透析环境中的普适性。

Read the English version (阅读英文版)

免责声明：本文内容来自互联网公开信息，请仔细甄别，如有侵权请联系我们删除。