在脑内出血后预测即将发生的尿路感染:基于多个时间点收集的统计数据的机器学习方法

科学领域:

• 神经临界护理是指神经临界护理.
• 传染病流行病学 传染病流行病学
• 医疗信息学 医疗信息学

背景情况:

• 尿路感染 (UTI) 是脑内出血 (ICH) 后神经临床护理中常见的并发症.
• 早期和准确预测尿路感染对于及时干预和改善患者结果至关重要.
• 当前的预测方法可能无法充分利用动态患者数据.

研究的目的:

• 开发和评估一种机器学习 (ML) 模型,用于预测ICH患者的尿路感染.
• 利用多个时间点的实验室统计数据和临床信息来提高预测准确度.

主要方法:

• 分析了一组110名神经重症监护室ICH患者的队列.
• 从入院 (实验室1) 和入院后48小时 (实验室2) 收集了实验室数据.
• 用临床特征和实验室参数,包括它们的变化率来训练ML模型,并使用准确度,灵敏度,特异性和AUC进行评估.

主要成果:

• 皮质类固醇的使用和每日尿量是尿路感染的重要风险因素 (p < 0.001).
• 在两个时间点中,在UTI和非UTI组之间观察到实验室结果的显著差异.
• 结合临床信息和实验室参数变化率的ML模型显示出卓越的性能,在训练中达到0.868的AUC,在测试中达到0.751.

结论:

• 临床数据与多时间点实验室分析的整合为预测ICH后的尿路感染提供了有效的策略.
• 机器学习方法可以显著提高神经临床护理环境中尿路感染预测的准确性.
• 这种预测模型对优化患者管理和减少尿路感染发病率充满希望.