基于机器学习算法在重症监护室中医院获得的压力损伤的风险预测

科学领域:

• 护理信息学 护理信息学
• 医疗保健中的人工智能
• 临床决策支持系统 临床决策支持系统

背景情况:

• 压力损伤 (PI) 是重症监护室 (ICU) 的一个重要问题,给患者和医疗保健系统带来了巨大的负担.
• 机器学习 (ML) 是人工智能 (AI) 的一个子集,为预测健康结果提供了先进的功能.
• 在护理实践中应用ML来预测PI是一个新兴和有价值的研究领域.

研究的目的:

• 调查ML算法在预测医院获得的压力损伤 (HAPI) 风险在ICU环境中的有效性.
• 用ML分析确定与ICU患者HAPI发展相关的关键风险因素.
• 评估ML算法作为PI诊断和管理的实用工具的潜力.

主要方法:

• 根据PRISMA指南进行了系统审查,以收集相关证据.
• 使用R编程语言进行逻辑分析和风险预测建模.
• 分析了各种ML算法,包括后勤回归 (LR),随机森林 (RF),支持矢量机 (SVM) 和梯度提升 (GB).

主要成果:

• 六项研究专注于使用ML算法在ICU中预测HAPI风险,其中一项研究是PI风险检测.
• 确定的重大风险因素包括血清白蛋白,缺乏活动,机械呼吸 (MV),PaO2,手术,心血管充足度和ICU停留.
• ML算法,特别是LR和RF,在预测HAPI和检测PI风险方面表现出有效性.

结论:

• ML算法是用于HAPI风险预测和PI风险检测在医院环境,特别是ICU的宝贵工具.
• 物流回归和随机森林算法为PI开发AI驱动的诊断和预测工具提供了实际基础.
• 基于ML的AI工具的进一步开发可以提高压力损伤的诊断,预后和治疗.