Critical Care Medicine：ICU肺部超声深度学习模型的前瞻性实时验证

翻译：赵聪聪/胡振杰 河北医科大学第四医院

审校：付豹 遵义医科大学附属医院

目的：评估床边开展实时深度学习（deep learning，DL）模型的准确性，该模型能够在危重患者的肺部超声（lung ultrasound，LUS）上区分正常（A线模式）和异常（B线模式）肺实质。设计：前瞻性观察性研究，评估先前训练的LUS DL模型性能。入组患者接受LUS检查，同时使用便携式设备进行DL模型预测。与盲法专家审查结果进行比较，分析剪辑水平模型对A线与B线模式的预测价值。应用四种预测阈值方法来最大化该模型在床边的敏感性特异性。

地点：大学附属医院ICU。

患者：100例收入ICU接受氧疗并且符合肺部影像学检查条件的危重患者。排除不稳定或不能进行LUS检查的患者。

干预措施：无。

测量和主要结果：来自2个三级医疗中心的100例ICU患者（400个视频剪辑）被纳入研究。56例患者应用机械通气治疗。与金标准专家注释相比，实时推断的B线模式识别准确率为95%，灵敏度为93%，特异性为96%。不同的预测阈值表明，根据临床重点实时修正的敏感性和特异性是可行的。

结论：先前验证的DL分类模型在床边便携式设备上的实时监测性能同样良好。作为第一个在ICU特定环境中测试的LUS DL分类模型可行性和性能的研究，我们的结果证明了进一步探讨医学成像实时自动化对于危重患者监护的影响是合理的。