មេរៀនរងទី 1មូលដ្ឋាននៃ pathophysiology នៃជំងឺឆ្លងឈាម និងលក្ខខណ្ឌគ្លីនិក (SIRS, qSOFA, SOFA, Sepsis-3)ពិនិត្យឡើងវិញនូវ ជីវវិទ្យា នៃជំងឺឆ្លងឈាម និងការឆ្លើយតបរបស់ម្ចាស់ បន្ទាប់មកភ្ជាប់យន្តការ ទាំងនេះទៅនឹងសញ្ញាផ្នែកគ្រែដូចជា សម្ពាធឈាមទាប ការលោតបេះដូងលឿន និងការខូចខាតសរីរាង្គ។ ប្រៀបធៀប SIRS, qSOFA, SOFA, និង Sepsis-3 លក្ខខណ្ឌ និងការប្រើប្រាស់របស់ពួកវានៅក្នុងការវាយតម្លៃអាទិត្យ ED។
ការឆ្លើយតបរបស់ម្ចាស់ចំពោះការឆ្លង និងការខូចខាតសរីរាង្គការផ្លាស់ប្តូរ hemodynamic និងការបរាជ័យ microcirculatorySIRS, qSOFA, SOFA: សមាសភាគ និងគន្លងនិយមន័យ Sepsis-3 និងលក្ខខណ្ឌ septic shockដែនកំណត់នៃពិន្ទុគ្លីនិកនៅ EDមេរៀនរងទី 2សុវត្ថិភាព របៀបបរាជ័យ និងការកែលម្អ: false positives/negatives, model drift, បញ្ហាគុណភាពទិន្នន័យ, adversarial inputsកំណត់អត្រាកំណុងសុវត្ថិភាព ដូចជា false positives, false negatives, model drift, និងគុណភាពទិន្នន័យទាប។ ស្វែងយល់ពី adversarial ឬ inputs មិននឹកស្មាន ការតាមដានរឹងមាំ បម្រុង ការត្រួតពិនិត្យមនុស្ស និងដំណើរការសម្រាប់ការធ្វើបច្ចុប្បន្នភាពគំរូដោយសុវត្ថិភាព។
False positives, false negatives, និងរបៀបខូចខាតការពិនិត្យគុណភាពទិន្នន័យ និងការស្កេនរក anomalyModel drift, recalibration, និង retrainingការគ្រប់គ្រង adversarial ឬ input មិននឹកស្មានការត្រួតពិនិត្យមនុស្ស ការលើកលែង និង governanceមេរៀនរងទី 3ចម្លងវាយតម្លៃ និងយុទ្ធសាស្ត្រការបញ្ជាក់សម្រាប់ការព្យាករណ៍ជំងឺឆ្លងឈាម: AUROC, AUPRC, calibration, lead time, decision curve analysisកំណត់ចម្លងសមត្ថភាពសំខាន់ៗសម្រាប់ការព្យាករណ៍ជំងឺឆ្លងឈាម រួមទាំង AUROC, AUPRC, calibration, និង lead time។ ពន្យល់ពីការបញ្ជាក់ខាងក្នុង និងខាងក្រៅ ការបញ្ជាក់ពេលវេលា និង decision curve analysis សម្រាប់ការវាយតម្លៃប្រយោជន៍គ្លីនិក។
AUROC, AUPRC, និង class imbalanceCalibration curves និង risk stratificationLead time និងសមត្ថភាព horizon-specificការបញ្ជាក់ខាងក្នុង ខាងក្រៅ និងពេលវេលាDecision curve analysis និង net benefitមេរៀនរងទី 4ការបង្កើត feature និងការធ្វើគំរូពេលវេលា: time-series preprocessing, sliding windows, trend extractionពន្យល់ពីរបៀបសម្អាត និងរៀបចំទិន្នន័យ time-series ED សម្រាប់ការធ្វើគំរូ។ គ្របដណ្តប់ resampling, ការគ្រប់គ្រងចន្លោះមិនទៀងទាត់, sliding windows, feature trend និង variability, និងការកូដ interventions និងបរិបទគ្លីនិកតាមពេលវេលា។
ការរៀបចំពេលវេលា resampling និង interpolationSliding windows និង prediction horizonsTrend, variability, និង derivative featuresការកូដ interventions និង care escalationការគ្រប់គ្រង time-series មិនទៀង និង sparseមេរៀនរងទី 5គំរូ machine learning សម្រាប់ការព្យាករណ៍ហានិភ័យអាចម៍: logistic regression, gradient boosted trees, RNNs, temporal convolutional networks, transformer-based time-seriesប្រៀបធៀបវិធីសាស្ត្រការធ្វើគំរូសម្រាប់ការព្យាករណ៍ហានិភ័យជំងឺឆ្លងឈាមអាចម៍ ចាប់ពី logistic regression ទៅ gradient boosted trees និង deep sequence models។ លើកឡើងពីគុណសម្បត្តិ ដែនកំណត់ ការបកស្រាយ និងសមស្របសម្រាប់កម្រិតពេល ED។
Logistic regression និងការជ្រើសរើស regularizationGradient boosted trees និង feature importanceRecurrent neural networks សម្រាប់ sequencesTemporal convolutional networks សម្រាប់ time-seriesTransformers សម្រាប់ទិន្នន័យ time-series គ្លីនិកមេរៀនរងទី 6ទម្រង់ទិន្នន័យសម្រាប់ការស្កេនរកជំងឺឆ្លងឈាមពេលពិត: vitals, labs, nursing notes, medication, waveformsពិពណ៌នាស៊ីគតិ real-time សំខាន់ៗនៅ ED រួមទាំង vital signs, ការធ្វើតេស្តសាលារៀន ថ្នាំ ឯកសារគិលានុបដ្ឋាយិកា និង physiologic waveforms។ ពិភាក្សាអំពីអត្រាសាមផ្សៃ ភាពជឿជាក់ និងរបៀបដែលទម្រង់នីមួយៗបញ្ជូនសញ្ញាជំងឺឆ្លងឈាមដែលវិវត្ត។
Vital signs និង continuous monitoring feedsLaboratory panels, cultures, និង turnaround timesMedication orders, fluids, និង vasopressorsNursing notes, triage text, និង flowsheetsWaveforms ពី monitors និងឧបករណ៍គ្រែមេរៀនរងទី 7ការរួមបញ្ចូលជាមួយខ្សែការងារ ED និងប្រព័ន្ធ EHR: event streams, FHIR, HL7, SMART on FHIR apps, CDS Hooksពិពណ៌នាពីរបៀបដែលគំរូ AI សម្រាប់ជំងឺឆ្លងឈាមរួមបញ្ចូលទៅក្នុងខ្សែការងារ ED និង EHRs។ ពិនិត្យ event streams, HL7, FHIR resources, SMART on FHIR apps, និង CDS Hooks ដោយសង្កត់ធ្ងន់លើការប្រើប្រាស់ ភាពជឿជាក់ និងការរំខានតិចតួចដល់ការអនុវត្តគ្លីនិក។
Event-driven architectures និង data streamsHL7 និង FHIR resources សម្រាប់សញ្ញាជំងឺឆ្លងឈាមSMART on FHIR apps សម្រាប់ decision support គ្រែCDS Hooks សម្រាប់ recommendations ដោយបរិបទWorkflow mapping និង usability testingមេរៀនរងទី 8ការរចនាការជូនដំណឹងគ្លីនិក និងកត្តាមនុស្ស: thresholds, alarm fatigue mitigation, escalating workflows, អ្នកទទួលការជូនដំណឹងគ្របដណ្តប់គោលការណ៍នៃការរចនាការជូនដំណឹងសម្រាប់គ្រូពេទ្យ ED រួមទាំងការជ្រើសរើស threshold, tiered alerts, និង routing ទៅតួនាទីសមស្រប។ ដោះស្រាយ alarm fatigue, ពេលវេលាការជូនដំណឹង ផ្លូវ escalation, និងការបង្ហាញការពន្យល់ និងបរិបទ។
ការជ្រើស threshold និង alert tiersAlarm fatigue និងយុទ្ធសាស្ត្រការពារសម្ពាធអ្នកទទួលការជូនដំណឹង និងតាមបៃរាង្គEscalation workflows និង handoff supportការពន្យល់ការជូនដំណឹង និងការផ្តល់បរិបទមេរៀនរងទី 9តម្រូវការអនុលោម និងភស្តុតាងសម្រាប់ AI វិនិច្ឆ័យ: ការពិចារណា FDA/CMS, ការរចនាការសិក្សាបញ្ជាក់គ្លីនិក, prospective pilots, ស្តង់ដាររាយការណ៍ (TRIPOD, CONSORT-AI)រៀបចំការរំពឹងអនុលោម និងភស្តុតាងសម្រាប់ AI វិនិច្ឆ័យនៅជំងឺឆ្លងឈាម រួមទាំងផ្លូវ FDA, ការពិចារណា CMS, និងការបញ្ជាក់គ្លីនិក។ ពិនិត្យ prospective pilots និងស្តង់ដារ TRIPOD និង CONSORT-AI។
ផ្លូវ FDA សម្រាប់ឧបករណ៍គាំទ្រ diagnosticCMS, reimbursement, និងកម្មវិធីគុណភាពការរចនាការសិក្សាបញ្ជាក់គ្លីនិករឹងមាំProspective pilots និង phased rolloutsការណែនាំរាយការណ៍ TRIPOD និង CONSORT-AIមេរៀនរងទី 10ការពិចារណាប្រេកង់ដាក់ឱ្យប្រើប្រាស់ និង latency: near-real-time streaming vs batch scoring, ការគ្រប់គ្រងទិន្នន័យស្វាយ និងពន្យារពិភាក្សាអំពី architectures ដាក់ឱ្យប្រើប្រាស់សម្រាប់គំរូជំងឺឆ្លងឈាម ប្រៀបធៀប near-real-time streaming ជាមួយ batch scoring។ ដោះស្រាយ latency budgets, ការគ្រប់គ្រងទិន្នន័យស្វាយ ឬពន្យារ backfilling, និងការតាមដានសុខភាព data pipeline នៅ ED។
Near-real-time streaming vs batch scoringLatency budgets និងកំណត់ SLAImputation សម្រាប់ inputs ស្វាយ និងពន្យារBackfilling, replay, និង late-arriving dataការតាមដាន pipelines និង system resilience
