原始论文
摘要
背景:术中低血压对术后预后有不良影响。然而,术中低血压很难根据个体临床参数提前预测和治疗。
摘要目的:本研究的目的是利用非心脏手术中记录的生物信号,建立一个基于单个神经网络加权平均集合的预测模型,预测5分钟术中低血压。
方法:在这项回顾性观察研究中,记录了2016年8月至2019年12月在韩国首尔首尔国立大学医院进行的非心脏手术期间的动脉波形。我们分析了来自VitalDB电子健康记录存储库中的大数据的动脉波形。我们将2s期低血压定义为动脉压在65 mmHg以下持续2秒的移动平均值,当2s期低血压持续至少60秒时定义术中低血压事件。我们开发了一种人工智能支持的过程,称为手术室短期事件预测(STEP-OP),用于预测术中短期低血压。
结果:这项研究对18,813名接受非心脏手术的受试者进行了研究。使用原始波形作为输入的深度学习算法(卷积神经网络[CNN]和循环神经网络[RNN])在precision-recall curve (AUPRC)得分下的面积(分别为0.698,95% CI 0.690-0.705和0.706,95% CI 0.698-0.715)大于逻辑回归算法(0.673,95% CI 0.665-0.682)。STEP-OP算法比RNN和CNN算法表现更好,AUPRC值更高(0.716,95% CI 0.708-0.723)。
结论:我们开发了STEP-OP作为深度学习模型的加权平均值。STEP-OP比CNN、RNN和逻辑回归模型更准确地预测术中低血压。
试验注册:ClinicalTrials.gov NCT02914444;https://clinicaltrials.gov/ct2/show/NCT02914444。
doi: 10.2196/31311
关键字
介绍
术中低血压可引起急性肾损伤、心肌损伤和死亡[
, ]。研究人员发现了手术期间低血压与器官功能障碍之间存在因果关系的证据[ ]。因此,在手术中减少低血压的频率和持续时间可以预防不良的术后结果。术中低血压定义为术中平均动脉压<65 mmHg。低血压的实时预测可以帮助麻醉医生在手术中更早地发现和干预,从而获得更好的预后。在手术中,麻醉师解释血流动力学参数,并立即使用心脏活性药物和液体复苏治疗低血压。然而,通过持续的术中强化监测,很难预测低血压的发生。研究人员利用各种统计方法、机器学习和深度学习技术来预测低血压[
- ]。特别是,低血压预测指数(HPI)被用作基于手术室(OR)高保真动脉波形数据的现成产品[ ]。HPI使用Flotrac算法对动脉波形进行预处理,并提取特征用于逻辑回归模型。手术室中多种生物信号的实时自动数据采集促进了各种深度学习技术的实施,以预测术中事件。例如,基于有创动脉波形的卷积神经网络(CNN)在术中低血压预测方面取得了显著的效果[
]和冲程体积估算[ ]。用于时间序列预测的递归神经网络(RNN)已成功预测院内心脏骤停和呼吸衰竭[ , ]由于生物信号的时变特性[ , ]。CNN由卷积层和池化层组成;卷积层对输入数据进行过滤,生成特征图,表明输入数据中检测到的特征的位置和强度,池化层通过总结特征图斑块中特征的存在情况来对特征图进行下采样[
]。相比之下,rnn被设计为处理顺序输入,如语言或时间相关信号。RNN每次处理一个输入序列,在隐藏状态向量中保留信息。具体来说,长短期记忆(LSTM)网络使用特殊的隐藏单元,充当门控泄漏神经元,从而长时间记住输入。已知LSTM网络比传统的rnn更有效[ ]。cnn和rnn都可以处理信号数据,因此适用于分析生物信号。CNN专注于信号中的特定模式,而RNN处理信号序列中的时间信息。在各种医疗应用方面,逻辑回归模型已经被深度学习模型超越,包括院内心脏骤停预测[
主动脉瓣钙化预测[ ]和中风预测[ ]。在这项研究中,我们提出了一种基于加权平均的个体神经网络集成的手术室短期事件预测(STEP-OP)低血压预测系统,该系统利用了非心脏手术中记录的生物信号。为此,我们对18813例患者的动脉波形进行了自主选择、分割和标记,并建立了基于实时记录系统大数据的深度学习模型。
方法
概述
STEP-OP基于VitalDB的大数据,在术中低血压发生前5分钟进行预测[
电子健康记录和术中生物信号储存库。记录由自动记录时间同步生理数据的软件VitalRecorder收集,包括动脉波形和心电图数据[ ]。STEP-OP的流程包括(i)患者选择,(ii)自动分割生物信号和数据清洗的数据构建,(iii)自动标记,(iv)构建预测模型(
).下面描述了每个过程的细节。![](https://asset.jmir.pub/assets/b83cd1e2f9ff877f95323ff79695958b.png)
主题的选择
我们选择了2016年8月至2019年12月在韩国首尔首尔国立大学医院进行的非心脏手术中记录动脉波形的所有患者。本研究共纳入21321例患者,建立术中低血压预测模型。该研究已获得首尔国立大学医院机构审查委员会批准(H-2008-175-1152),并在ClinicalTrials.gov上注册(NCT02914444)。
数据建设
动脉波形记录在100或500赫兹,并被下采样到100赫兹。每个60秒的片段与5分钟前的20秒片段配对观察。
为了检测动脉波形中的假影,我们根据以下标准排除了明显超出生理范围的波形:(1)缺失值的节段,(2)血压超过200 mmHg或低于20 mmHg的节段,(3)最大和最小压力值低于20 mmHg的节段,(4)相邻值之间的差异超过30 mmHg(压力梯度超过3000 mmHg/秒)。符合上述任何标准的20或60秒动脉波形片段被排除在数据集之外。对提取的波形段不做任何修改。
在21321例患者中,2508例患者因未能按照标准进行数据清理而被排除在研究之外。总的来说,数据分割过程从18,813名患者中产生了2,041,805个片段。患者被随机分为70/30个训练组和验证组。此外,13,178例患者数据中的1,428,553个片段用于算法开发,5635例患者数据中的613,252个片段用于内部验证(
).![](https://asset.jmir.pub/assets/eaa647e847d78513d032d4db3fa33360.png)
数据标签
STEP-OP根据20秒动脉波形在发病前5分钟预测低血压。首先,我们将2s级低血压定义为动脉压在65 mmHg以下持续2秒的移动平均值,将2s级低血压持续至少60秒定义为术中低血压事件。因此,在事件发生前5分钟的20秒动脉波形片段被选中并标记为“阳性实例”。如果2秒移动平均线维持在75 mmHg以上至少60秒,则认为是非低血压事件。选取发病前5分钟的20秒片段并标记为“阴性”。
算法开发
我们从CNN和RNN的两个不同的深度学习层开发了一个集成平均模型。多个神经网络的组合可以在提供泛化优势的同时优于单个网络[
]。异构深度神经网络,特别是cnn和rnn的组合在各种应用中表现出了更好的性能[ , ]。 描述了STEP-OP模型的数据预处理和神经网络集成平均模型的构建过程。该CNN由一维卷积、批归一化、池化和全连接层组成,用于输入缩放后的20秒动脉压(长度为2000的数组)。RNN由三个堆叠的双向LSTM网络组成,用于输入30×100张量,该张量来自缩放后的20秒动脉波形(长度为2000的阵列)。为了预处理动脉波形,使用峰值检测算法将该阵列切割成单个心动周期,并将每个周期内插到长度为100的阵列中。因此,每个心脏周期代表一个时间步长。如果20秒片段有多于或少于30个时间步(心跳周期),则分别用零向量预截断或预加( ).模型构建的最后阶段计算集合平均预测值,P(α)=PαRNN+ (1 -α)P美国有线电视新闻网,在哪里α是一个权重因子,和PRNN和P美国有线电视新闻网分别为RNN和CNN的输出预测值。我们推导出α通过评估的精确召回曲线下面积(AUPRC)P(α)在10%的训练数据上。最后,在验证集上对集成平均的性能进行了评估α来源于10%的训练数据。
![](https://asset.jmir.pub/assets/5f75c2394f5964f59ebcd5645aade6f7.png)
我们使用Pytorch深度学习框架[
], AdamW优化器β1= 0.9,β2=0.99,学习率设为10的损失函数的二值交叉熵4。为了防止模型偏向多数类,对负数据点和正数据点分别使用权重为1和20的损失。我们通过在90%的训练数据上训练深度学习模型来选择最优的超参数,并在剩下的10%上选择表现最好的模型。我们通过将该模型与基于20秒动脉波形的12个特征的特征集的逻辑回归模型(
).特性符号 | 描述 |
Mean_beat_length | 心脏周期平均时间 |
地图一个 | 心动周期平均MAP |
页b_max | 脉冲压力中的最大值 |
PP_min | 脉冲压力中的最小值 |
PP_range | PP_max-PP_min |
PP_avg | 平均脉冲压力 |
PPVc | (PP_max-PP_min)×2.0 / (PP_max + PP_min) |
Systolic_time_avg | 平均收缩期 |
Systolic_pressure_avg | 平均收缩压 |
Systolic_pressure_range | 最大收缩压与最小收缩压之差 |
Diastolic_pressure_avg | 平均舒张压 |
Beat_area_avg | 心脏周期下面积的平均值 |
一个MAP:平均动脉压。
bPP:脉冲压力。
cPPV:脉冲压力变化。
我们在提取特征后进行了鲁棒缩放,如x我' = x我q我,2/问我3- - - - - -问我,1,在那里x我,x我′,问我,我的值我特征,缩放后的值我特征,和j的四分位数我特征,分别。
使用scikit-learn实现五重交叉验证的逻辑回归模型[
]。不平衡数据集的预测模型根据性能指标AUPRC、接收者工作特征曲线下面积、精度和灵敏度(召回率)进行评估,因为负数据点的数量明显超过正数据点[
, ]。在灵敏度分别为0.6、0.7和0.8的阈值处评估精度。对于性能评估,我们使用bootstrap方法来估计95% CI,随机重新采样50%的数据集1000次。结果
所提出的方法帮助我们选择了18813例患者进行研究。患者平均年龄58.5岁(SD 15.3)。该组患者中约49.3%为男性。训练队列(n=13,178)有1,373,378个阴性片段和55,175个阳性片段(总共476,184分钟)。验证队列(n=5635)出现587,413个阴性片段和25,839个阳性片段(共204,417分钟)。
比较训练组和验证组的人口学特征。总结了从动脉波形段中提取的12个特征的统计结果。
特征 | 总计 | 培训组 | 验证组 | P价值 | |
患者人数 | 18813年 | 13178年 | 5635 | N/A一个 | |
年龄(岁),平均(SD) | 58.5 (15.3) | 58.6 (15.2) | 58.2 (15.4) | 13。 | |
重量(kg),平均值(SD) | 63.4 (12.8) | 63.5 (12.8) | 63.4 (12.8) | .68点 | |
高度(cm),平均值(SD) | 162.2 (10.0) | 162.2 (10.0) | 162.4 (9.9) | 07 | |
男性,n (%) | 9270 (49.27) | 6416 (48.69) | 2854 (50.65) | . 01 | |
亚撒b得分,n (%) | 票价 | ||||
我 | 4352 (23.14) | 3084 (23.40) | 1268 (22.50) | ||
2 | 11428 (60.75) | 7970 (60.48) | 3458 (61.37) | ||
3 | 2824 (15.01) | 1980 (15.03) | 844 (14.98) | ||
4 | 196 (1.04) | 137 (1.04) | 59 (1.05) | ||
4 | 13 (0.07) | 7 (0.05) | 6 (0.11) |
一个-不适用。
bASA:美国麻醉师协会。
特性符号 | 阳性事件,平均值(SD) | 负面事件均值(SD) | P价值 |
Mean_beat_length (s) | 0.82 (0.19) | 0.89 (0.17) | <.001 |
地图一个(毫米汞柱) | 64 (12) | 90 (12) | <.001 |
页b_max(毫米汞柱) | 55 (16) | 60 (15) | <.001 |
PP_min(毫米汞柱) | 45 (16) | 50 (14) | <.001 |
PP_range(毫米汞柱) | 10.0 (10.7) | 9.8 (9.8) | <.001 |
PP_avg(毫米汞柱) | 50 (15) | 55 (14) | <.001 |
PPVc | 0.23 (0.29) | 0.20 (0.25) | <.001 |
Systolic_time_avg (s) | 0.13 (0.04) | 0.14 (0.04) | <.001 |
Systolic_pressure_avg(毫米汞柱) | 98 (19) | 125 (18) | <.001 |
Systolic_pressure_range(毫米汞柱) | 10.7 (10.2) | 10.4 (9.0) | <.001 |
Diastolic_pressure_avg(毫米汞柱) | 49 (10) | 71 (11) | <.001 |
Beat_area_avg(毫米汞柱×s) | 53 (16) | 79 (18) | <.001 |
一个MAP:平均动脉压。
bPP:脉冲压力。
cPPV:脉冲压力变化。
给出了STEP-OP中集成权值的配置以及STEP-OP和其他方法的相应性能。 A表示最优权值α马克斯,使AUPRC值最大化。时AUPRC达到最大值α是0.65。因此,我们评估了总体平均值P加快= 0.65×PRNN+ 0.35×P美国有线电视新闻网在验证集上。
B说明了预测模型相对于AUPRC的性能。使用原始波形作为输入的深度学习算法(CNN, RNN)比逻辑回归算法获得了更高的AUPRC分数。STEP-OP获得了最好的性能,其AUPRC高于CNN或RNN算法(见 ).
![](https://asset.jmir.pub/assets/04b815ad826764bcdfd9b8415c925b99.png)
算法 | AUPRC一个(95%置信区间) | AUROCb(95%置信区间) | 灵敏度c(95%置信区间) | 精度c(95%置信区间) | |||||
0.6 | 0.7 | 0.8 | 0.6 | 0.7 | 0.8 | ||||
加快d | 0.716 (0.708 - -0.723) |
0.961 (0.959 - -0.962) |
0.600 (0.591 - -0.609) |
0.700 (0.692 - -0.708) |
0.800 (0.793 - -0.806) |
0.742 (0.733 - -0.751) |
0.647 (0.640 - -0.655) |
0.502 (0.495 - -0.509) |
|
卷积神经网络 | 0.698 (0.690 - -0.705) |
0.955 (0.953 - -0.957) |
0.600 (0.591 - -0.608) |
0.700 (0.692 - -0.708) |
0.800 (0.793 - -0.806) |
0.717 (0.709 - -0.726) |
0.615 (0.606 - -0.622) |
0.466 (0.459 - -0.472) |
|
循环神经网络 | 0.706 (0.698 - -0.715) |
0.958 (0.956 - -0.959) |
0.600 (0.591 - -0.608) |
0.700 (0.692 - -0.708) |
0.800 (0.793 - -0.806) |
0.738 (0.729 - -0.746) |
0.639 (0.631 - -0.647) |
0.488 (0.481 - -0.495) |
|
逻辑回归 | 0.673 (0.665 - -0.682) |
0.948 (0.946 - -0.950) |
0.600 (0.592 - -0.609) |
0.700 (0.691 - -0.708) |
0.800 (0.793 - -0.807) |
0.711 (0.703 - -0.720) |
0.622 (0.614 - -0.630) |
0.481 (0.474 - -0.487) |
一个AUPRC:精密度-召回曲线下面积。
bAUROC:接收机工作特性曲线下的面积。
c灵敏度和精度值在灵敏度阈值为0.6、0.7和0.8时进行评估。
dSTEP-OP:手术室短期事件预测。
图中显示了一个验证队列患者的STEP-OP预测值和动脉压。动脉压表示波形的2秒移动平均值。逐渐下降后,患者的动脉压稳定在75 mmHg左右。然后血压突然下降,导致第14分钟出现低血压事件。STEP-OP预测评分从7分钟开始一直高于0.6,并从9分钟(即低血压事件发生前5分钟)开始增加。在低血压事件发生前2分钟,STEP-OP预测值达到0.8以上的峰值。
![](https://asset.jmir.pub/assets/fe96c2efb45ff4758569dcb935ab0626.png)
讨论
利用大数据的医疗人工智能系统
在这项回顾性观察性研究中,我们开发了深度学习和机器学习算法,利用来自手术室自动记录系统的大数据存储库,在发病前5分钟预测术中低血压事件。处理大数据为医学研究带来了一些方法上的挑战和机遇[
]。我们根据目标疾病的专家知识标准对大量生物信号进行自动数据分割、清洗和标记技术。通过定义低血压事件和伪影,我们在不手动标记研究数据的情况下提取了几个数据点。这对于构建基于大医疗数据的人工智能系统至关重要。与以往工作的比较
这项研究扩展了先前在HPI上的工作,使用相同的高保真20秒动脉波形输入。HPI是目前唯一用于预测术中低血压的算法[
]。它基于逻辑回归,并使用从20秒动脉波形中获得的工程特征作为输入[ ]。其他研究人员试图使用机器或深度学习技术预测诱导后低血压[ , ]。然而,传统的机器学习技术需要人工从原始数据中提取特征,因为它们缺乏处理原始数据的能力[ ]。因此,HPI需要单独的预处理算法(例如,flow -trac, CO-Trek)来计算和处理来自波形的各种特征[ ]。相比之下,深度学习可以自动从数据中学习判别特征[ ]。本研究中使用的CNN和RNN算法需要的唯一预处理方法是缩放和切片。深度学习算法可以检测到动脉波形的细微变化,从而预测动脉压的突然下降。当以特征表示时,这些变化很可能被掩盖或减少。如图所示
,使用原始波形数据的CNN和RNN模型优于使用计算特征的逻辑回归模型。最后,CNN和RNN的集合平均值比每个深度学习模型更准确地预测低血压。在本研究中,LSTM和CNN输出集合的最优权值分别为0.65和0.35。这表明混合模型STEP-OP比单一深度学习模型或逻辑回归模型更能预测术中低血压。
限制
这种方法有一些局限性。首先,我们随意定义了低血压(低血压事件的2秒移动平均血压低于65 mmHg,非低血压事件的2秒移动平均血压超过75 mmHg)。必须进行前瞻性研究,以观察这些标准对算法性能的影响。其次,虽然使用了一个相对较大的(N>10,000)患者数据队列,但它是从单个数据库中检索的。未来的研究将包括对不同人口分布和环境的外部验证。最后,必须根据STEP-OP预测值确定临床医生的阈值和相应的反应,以便在手术室中实际使用。需要在实际临床实践中进行前瞻性研究来解决这些局限性。
结论
我们利用大数据库开发了STEP-OP,并构建了术中短期低血压预测模型。深度学习模型的加权平均值在预测低血压方面表现最好。所提出的算法只使用20秒动脉波形,不需要单独的特征计算。因此,它们可以很容易地在有可能进行侵入性血压监测的情况下实现,并且可以在这些情况下取代HPI算法。提出的解决方案可以扩展和实际应用于手术室或重症监护病房的不良事件的实时预测。这反过来又有望改善临床结果并减轻医务人员的负担。
致谢
本研究得到了韩国科学和信息通信技术部(NRF-2020R1A2C1013152)的资助。
利益冲突
没有宣布。
参考文献
- 安瑞,庞强,刘宏。术中低血压与非心脏手术急性肾损伤、心肌损伤及死亡率的关系:meta分析。中华临床医学杂志,2019;33(10):391 - 391。[CrossRef] [Medline]
- Walsh M, Devereaux PJ, Garg AX, Kurz A, Turan A, Rodseth RN,等。术中平均动脉压与非心脏手术后临床结果的关系:低血压的经验定义。麻醉学2013 Sep;119(3):507-515 [j]免费全文] [CrossRef] [Medline]
- 杨德华,李建军,李建军,李建军,等。术中低血压(从基线或绝对阈值降低)与非心脏手术后急性肾和心肌损伤的关系:一项回顾性队列分析麻醉学杂志2017;26(1):47-65 [j]免费全文] [CrossRef] [Medline]
- 李建军,李建军,李建军,刘建军,等。基于高保真动脉压波形分析的低血压预测机器学习算法。麻醉学杂志2018;29(4):663-674 [j]免费全文] [CrossRef] [Medline]
- 王军,王军,王军。诱导后低血压的监督机器学习预测分析。麻醉学2018 Oct;129(4):675-688 [j]免费全文] [CrossRef] [Medline]
- 李世生,李海,朱永元,宋世文,安广杰,李海,等。术中低血压预测的深度学习模型。中国生物医学工程学报,2013,31(4):888 - 888。[CrossRef] [Medline]
- 文勇,文洪生,金丹,金俊,李俊,沈伟,等。在血流动力学不稳定的患者中,基于深度学习的脑卒中容量估计优于传统的动脉轮廓法。中华临床医学杂志2019,09;8(9):1419 [J]免费全文] [CrossRef] [Medline]
- 金京,蔡明,张宏,金勇,朴E.基于人工智能的心脏骤停和呼吸衰竭预测。中华临床医学杂志2019年8月29日;8(9):1336 [J]免费全文] [CrossRef] [Medline]
- 权健,李勇,李勇,李思。一种基于深度学习的院内心脏骤停预测算法。中华心脏杂志2018;7(13):e008678 [J]免费全文] [CrossRef] [Medline]
- 李建军,李建军,李建军,等。一种基于深度学习的时间序列分类方法。Data Min Knowl Disc 2019年3月2日;33(4):917-963。[CrossRef]
- leun Y, Bengio Y, Hinton g。Nature 2015 5月28日;521(7553):436-444。[CrossRef] [Medline]
- Sarajlic P, Plunde O, Franco-Cereceda A, Bäck M.人工智能模型揭示主动脉瓣钙化的性别特异性基因表达。中文信息学报,2016,36 (5):559 - 561 [j]免费全文] [CrossRef] [Medline]
- 洪超,陈伟,赖鹏,林超,李超。基于深度神经网络和其他机器学习算法的脑卒中预测研究。2017年7月出席:第39届IEEE医学与生物工程学会(EMBC)国际会议;2017年7月11日至15日;济州岛,韩国,3110-3113页。[CrossRef]
- VitalDB。URL:https://vitaldb.net[2021-09-12]访问
- 李海,Jung C. Vital recorder -一个免费的研究工具,用于自动记录来自多个麻醉设备的高分辨率时间同步生理数据。科学通报,2018;8(1):1527。[CrossRef] [Medline]
- 李建军,李建军。基于神经网络的优化线性组合算法。神经网络学报,1995;6(3):792-794。[CrossRef] [Medline]
- 邓磊,普立杰。语音识别的集成深度学习。2014年9月发表于:第十五届国际语音传播协会年会上;2014年9月14-18日;新加坡(1915-1919)[CrossRef]
- 刘建军,刘建军,刘建军。基于深度情感的深度情感分析。出来了。2019年4月https://arxiv.org/abs/1904.04206[2021-09-08]访问
- Paszke A, Gross S, Massa F, Lerer A, Bradbury J, Chanan G. Pytorch:一个命令式的高性能深度学习库。2019年12月发表于:第33届神经信息处理系统会议;2019年12月8日至14日;加拿大温哥华8024-8035页。
- 刘建军,刘建军,刘建军,等。使用scikit-learn进行神经成像的机器学习。《神经科学前沿》2014;8:14。[CrossRef] [Medline]
- Saito T, Rehmsmeier M.在不平衡数据集上评估二元分类器时,精确召回率图比ROC图更具信息性。PLoS One 2015;10(3):e0118432 [j]免费全文] [CrossRef] [Medline]
- Jeni LA, Cohn JF, De LA Torre F.面对不平衡的数据——使用性能指标的建议。2013年9月在人类情感计算与智能交互协会会议上发表演讲;2013年9月2-5日;日内瓦,瑞士,245-251页。[CrossRef]
- Dinov ID。建模和解释大医疗数据的方法挑战和分析机会。海洋科学进展,2016;5(1):12 [j]免费全文] [CrossRef] [Medline]
- Davies SJ, Vistisen ST, Jian Z, Hatib F, Scheeren TWL。动脉波形分析衍生的低血压预测指数预测手术患者未来低血压事件的能力。中国生物医学工程学报,2011;30(2):359 -359。[CrossRef] [Medline]
- 李军,吴军,姜爱良,郑勇,郑伟,李敏,等。机器学习与深度学习预测诱导后低血压的比较分析。传感器(巴塞尔)2020 Aug 14;20(16):4575 [免费全文] [CrossRef] [Medline]
缩写
AUPRC:精密度-召回曲线下面积 |
有线电视新闻网:卷积神经网络 |
现病史:低血压预测指数 |
LSTM:长短期记忆网络 |
或者:手术室 |
RNN:循环神经网络 |
加快:手术室短期事件预测 |
G·艾森巴赫编辑;提交24.06.21;E van der Velde, N Maglaveras, P sarajevo的同行评审;对作者的评论16.07.21;收到07.08.21修订版本;接受24.08.21;发表30.09.21
版权©chosooho, Park Eunjeong, Shin Wooseok, Koo Bonah, Shin Dongjin, Jung Chulwoo, Lee Hyungchul, Kim Jeongmin。最初发表于JMIR医学信息学(https://medinform.www.mybigtv.com), 30.09.2021。
这是一篇在知识共享署名许可(https://creativecommons.org/licenses/by/4.0/)条款下发布的开放获取文章,该许可允许在任何媒介上不受限制地使用、分发和复制,前提是原始作品(首次发表在JMIR Medical Informatics上)被适当引用。必须包括完整的书目信息,到https://medinform.www.mybigtv.com/上原始出版物的链接,以及版权和许可信息。