研究背景:21世纪是一个信息时代,是以数据为基石的。在这样的时代背景下,人工智能技术得到了充分的发展,活跃于人们生活工作的各个领域。目前人工智能在我国临床诊断、治疗,病原学检测,疾病预后预测及医疗影像等方面应用广泛,为我国的医疗事业做出了巨大贡献。急性胰腺炎(AP)是一种常见又复杂的消化道疾病,重症患者病死率较高。它的发病因素至今尚不十分明确,梗阻、酒精、代谢性疾病等都有可能导致急性胰腺炎的发生。此外,重症急性胰腺炎(SAP)常伴有各种各样的并发症,极大地影响了患者的生存率和生存质量。值得注意的是,约有20%的急性胰腺炎患者会发展成重症,所以能够尽早并准确地评估急性胰腺炎的严重程度显得尤为重要。在临床工作中,已有许多评分系统用于评估急性胰腺炎的严重程度。但这些评分系统仍旧不够快速、简便。我们希望可以借助人工智能中的前沿算法,帮助评估急性胰腺炎患者的状态。目的:本研究拟建立一个低时延标准化的SAP评分系统,希望能在更早期的阶段就进行SAP恶化发展可能性的精确评估,并且对影响SAP发展的各项危重因子给出权重评估,为后续SAP的精准治疗提供可信的依据。方法:(1)患者数据的收集:收集整理我院从2010年以来AP患者的数据。(2)患者数据的整理:使用相同的机制将数据聚合到每个患者的数据集中,缺失的数据将使用k-mean方法对缺失值进行插值。再将三天的数据拼接在一起作为预测模型的输入,从而形成输入数据的特征向量。(3)采用深度置信网络(DBN)进行模型的训练及预测评估,参考2012年亚特兰大分类标准中重症急性胰腺炎的定义标准,我们采用患者在病程中出现器官衰竭时间≥48小时为重症急性胰腺炎的预测终点。(4)依据预测结果,进行危重因子与统计结果的评估。结果:(1)在模型中遵循以下四个规则选择变量:(1)在预测结果上的权重较高。(2)这些变量的收集在临床上需要可靠性高。(3)变量的收集需要在临床上有较好的适用性。(4)另外这些变量需要有多年的临床应用经验。(2)基于之前变量的选择,使用交叉验证,来预测入院的急性胰腺炎患者在入院后发展成重症急性胰腺炎的发生率。最后得出入院后24小时后的AUC为0.94,ACC为0.87。结论:对于刚入院的急性胰腺炎患者,动态评估患者生命体征及实验室检查等连续事件的波动,可以成为24小时后重症急性胰腺炎的良好指标。以人工智能为技术支持的模型可以成为评估急性胰腺炎轻重程度发展的重要工具,对于急诊病人的分流也有一定指导意义。此外,该方法也可以提取影响重症急性胰腺炎发展的各项危重因子。