挖掘重症监护临床过程对创伤性脑损伤后结果的贡献
Shubhayu Bhattacharyay1,2,3, Pier Francesco Caruso4,5, Cecilia Åkerlund6
1Division of Anaesthesia, University of Cambridge, Cambridge, UK. sb2406@cam.ac.uk.
NPJ digital medicine
|August 21, 2023
概括
通过整合广泛的临床数据,预测创伤性脑损伤 (TBI) 患者的结果得到了改善. 最初的患者信息显著影响了长期的功能恢复,重症监护室 (ICU) 的数据提供了进一步的,尽管较小的,预测性见解.
科学领域:
- 神经科学是一个神经科学.
- 医疗信息学 医疗信息学
- 人工智能在医学中的应用
背景情况:
- 目前用于描述重症监护室 (ICU) 中创伤性脑损伤 (TBI) 患者的方法缺乏个性化治疗策略所需的上下文细节.
- 整合异质医疗记录数据对于全面了解TBI患者轨迹至关重要.
研究的目的:
- 开发和验证一个整合综合临床数据的模型,以预测TBI患者个别6个月的功能结果.
- 量化ICU前/入院 (静态) 和ICU (动态) 变量对功能性结果预测的贡献.
主要方法:
- 分析了65个中心1550名TBI患者的前景队列.
- 循环神经网络模型被训练在1166个变量的代码嵌入式时间序列表示上,包括缺失的值,以预测每2小时一次的顺序格拉斯哥结果尺度扩展 (GOSE) 预后.
- 模型的预测性能是根据在功能结果中解释的差异来评估的.
主要成果:
- 综合模型解释了高达52%的功能结果差异.
- 这种预测能力的绝大多数 (高达91%) 来自ICU前和入院 (静态) 变量.
- 重症监护室 (ICU) 的数据 (动态变量) 提供了较小但显著的预测解释增加 (高达5%),特别是在短期住院患者中.
结论:
- 虽然静态患者信息目前是TBI功能性结果预测的主要驱动因素,但动态数据分析显示了改善表征的潜力,特别是在长期住院患者中.
- 开发的建模策略有效地将大型,复杂的患者记录转换为可解释的时间序列,处理缺失的数据并需要最小的预处理.
- 这种数据驱动的方法突出了加强ICU中TBI患者的动态表征的途径,以优化治疗个性化.
