常規の生理学的パラメータと人工知能を使用して,集中治療室における低警戒状態のエピソードを予測する:推論研究

科学分野:

• 人工知能
• 集中治療 医療
• 機械学習

背景:

• 低活性妄想はICUで よく見られ 検出が困難です
• 低警戒症のような微妙な症状は 診断に困難を伴います
• 現存するツールでは 低活性妄想の早期発見には 信頼性が欠けています

研究 の 目的:

• 低警戒現象を検出するためのAI予測モデルを開発する.
• ICUで定期的に収集された生理学的データを予測するために使用します.
• 低活動性妄想の早期発見を支援する.

主な方法:

• ICUでの前向きな観察コホート研究
• 収集した生理学的データ (生命体等) 臨床的変数について
• ランダムフォレスト,XGBoost,およびライトグラディエントブースティングマシンのモデルをタイムシリーズデータで訓練した.
• SHAP分析を用いてモデルを解釈した.

主要な成果:

• ライト・グラデント・ブースティング・マシンは最高性能 (68%の精度) を示した.
• 主な予測要因は,挿管状態,呼吸率,血圧でした.
• モデルでは76%の精度と74%のリコールが得られました.

結論:

• 機械学習モデルは 低警戒性を検出する可能性を 示しています
• これらのアルゴリズムは低活性妄想の早期発見に役立ちます.
• 分類器の性能に基づいてさらなる開発が正当化されている.