使用多式联络和自主神经系统参数的机器学习在开发和测试研究中预测了临床明显的中风相关肺炎

科学领域:

• 神经学 神经学
• 传染性疾病 传染性疾病
• 生物医学信息学 生物医学信息学

背景情况:

• 与中风相关的肺炎 (SAP) 显著恶化了患者的结果.
• 预测SAP对于及时干预至关重要.
• 机器学习 (ML) 提供了使用临床数据准确预测SAP的潜力.

研究的目的:

• 开发和验证一个自动化的ML模型来预测临床明显的SAP.
• 确定SAP预测的关键临床和生理参数.
• 将ML模型的性能与现有的临床评分进行比较.

主要方法:

• 使用经过临床,实验室,心率 (HR),心率变化 (HRV) 和血压 (BP) 数据训练的后勤回归分类器,从中风后的第一个48小时的入院数据.
• 员工嵌套交叉验证 (nCV) 用于内部验证.
• 将ML模型与A2DS2得分进行了对比.

主要成果:

• ML模型的AUC为0.91,超过了A2DS2得分 (AUC为0.84).
• 关键预测指标包括CRP,mRS,白细胞计数,HRV高频功率,中风严重程度,性别和透气血压.
• 与A2DS2.2相比,ML模型显示出更高的灵敏度 (0.87) 和特异性 (0.82).

结论:

• 在中风单位中自动ML预测SAP是可行的和有效的.
• 纳入生命体征显著提高预测的准确性.
• 这种模型可以帮助识别高风险患者进行预防性肺炎管理.