评估机器学习和可穿戴设备在终身护理中的潜力,预测末期癌症患者7天死亡事件:队列研究

科学领域:

• 抚慰性护理是一种缓解性护理.
• 医疗信息学 医疗信息学
• 在瘤学中使用人工智能

背景情况:

• 在终身护理中准确预测死亡率具有挑战性,现有的工具表现中等,主要是在医院环境中.
• 目前的预后工具可能无法捕捉到接受终身护理的患者的多样性轨迹.
• 对生命末期癌症患者的人工智能 (AI) 和可穿戴设备的证据有限.

研究的目的:

• 研究可穿戴设备和人工智能的使用,以预测生命末期癌症患者的死亡事件.
• 确定连续的智能手表监控是否可以提供对患者进展的见解,并帮助个性化护理,特别是在门诊或家庭环境中.

主要方法:

• 台湾国立大学医院的一项前性研究,涉及接受终身护理的癌症患者.
• 智能手表收集生理数据 (步骤,心率,睡眠,血液氧气);每周进行临床评估.
• 机器学习模型,包括深度神经网络,使用收集的数据和临床评估预测7天死亡事件.

主要成果:

• 极端梯度增强 (XGBoost) 模型实现了高性能:96%的AUROC,78.5%的F1得分,93%的精度和97%的特异性.
• 平均心率是最重要的预测因素,其次是所采取的步骤,食欲,排尿状态和临床护理阶段.
• 该研究分析了40名患者的1657个数据点,检测了28例死亡事件,平均存活时间为34天.

结论:

• 人工智能和可穿戴设备可以在7天内成功预测患者的死亡.
• 整合人工智能和可穿戴技术为临床决策提供了有价值的见解.
• 需要进一步的研究来验证这些发现在更大的队列中,并评估临床影响.