Early recognition of sepsis-associated acute kidney injury based on BioBERT-BPNN multimodal clinical data analysis.

چکیده اصلی

BACKGROUND: Sepsis-associated acute kidney injury (SA-AKI) is a common and serious complication in intensive care units, marked by high incidence, rapid disease progression, and poor clinical outcomes. Due to its complex pathophysiology and nonspecific clinical manifestations, early recognition of SA-AKI remains highly challenging. METHODS: This study aims to achieve early recognition of SA-AKI using clinical records of sepsis patients. A dual-center dataset of sepsis patients is constructed by integrating 1,000 cases from the publicly available MIMIC-IV database and 400 cases from the electronic medical records system of Shandong Public Health Clinical Center. Multimodal data are generated for each sepsis case by extracting 33 risk factors from multi-source clinical information. A BioBERT-BPNN multimodal model is developed, in which the BioBERT module extracts semantic features from textual data, the BPNN module captures nonlinear features from numerical data, and MLP module is applied for multimodal feature fusion and classification. RESULTS: The proposed model demonstrates stable and reliable performance for early recognition of SA-AKI on the MIMIC dataset and exhibits good cross-center generalizability and robustness on the external Hospital dataset. Dual-center data enhances the model's adaptability to local cases and improves its clinical applicability. Moreover, multimodal data have complementary value, the multimodal model outperforms single-modality models. CONCLUSION: The proposed BioBERT-BPNN multimodal model effectively integrates textual and numerical information and improves the performance of early SA-AKI recognition. Leveraging dual-center multi-source heterogeneous clinical data enhances its applicability in real-world clinical settings. This study could provide valuable reference for timely intervention, optimized decision-making, and improved outcomes in sepsis patients at risk of AKI, holding important clinical research value.

ترجمه فارسی چکیده

آسیب کبدی حاد مرتبط با سپسیس (SA-AKI) یک عارضه شایع و جدی در واحدهای مراقبت‌های ویژه است که با شیوع بالا، پیشرفت سریع بیماری و نتایج بالینی ضعیف مشخص می‌شود. این مطالعه هدف دارد با استفاده از سوابق بالینی بیماران سپسیسی، شناسایی زودهنگام SA-AKI را محقق کند. یک مجموعه داده دو مرکزی از بیماران سپسیسی با ادغام ۱۰۰۰ مورد از پایگاه داده عمومی MIMIC-IV و ۴۰۰ مورد از سیستم سوابق پزشکی الکترونیک مرکز بالینی بهداشت عمومی شاندونگ ساخته شد. برای هر مورد سپسیسی، داده‌های چندوجهی از طریق استخراج ۳۳ عامل خطر از اطلاعات بالینی چندمنبع تولید شد. یک مدل چندوجهی BioBERT-BPNN توسعه یافت که در آن ماژول BioBERT ویژگی‌های معنایی را از داده‌های متنی استخراج می‌کند، ماژول BPNN ویژگی‌های غیرخطی را از داده‌های عددی می‌گیرد و ماژول MLP برای ادغام و طبقه‌بندی ویژگی‌های چندوجهی استفاده می‌شود. نتایج نشان می‌دهد که مدل پیشنهادی عملکرد پایدار و قابل اعتمادی برای شناسایی زودهنگام SA-AKI در مجموعه داده MIMIC دارد و در مجموعه داده خارجی بیمارستان، قابلیت‌های عمومی‌سازی و پایداری خوبی را نشان می‌دهد. داده‌های دو مرکزی قابلیت تطبیق مدل با موارد محلی را افزایش می‌دهد و کاربرد بالینی آن را بهبود می‌بخشد. علاوه بر این، داده‌های چندوجهی ارزش تکمیلی دارند و مدل چندوجهی عملکرد بهتری نسبت به مدل‌های تک‌وجهی دارد. مدل چندوجهی BioBERT-BPNN پیشنهادی به طور مؤثر اطلاعات متنی و عددی را ادغام می‌کند و عملکرد شناسایی زودهنگام SA-AKI را بهبود می‌بخشد. استفاده از داده‌های بالینی چندمنبع و چندوجهی در دو مرکز، کاربرد آن را در محیط‌های بالینی واقعی افزایش می‌دهد. این مطالعه می‌تواند مرجع ارزشمندی برای مداخله زودهنگام، تصمیم‌گیری بهینه و بهبود نتایج در بیماران سپسیسی در معرض خطر AKI باشد.

متن کامل اصلی