从EHR数据中确定ICU患者的表型的方法:高可靠性,个性化和可解释的表型估计

科学领域:

• 生物医学信息学 生物医学信息学
• 计算生理学计算生理学
• 医疗保健中的机器学习

背景情况:

• 准确的,时间依赖的患者表型是至关重要的,但由于数据的复杂性和质量而具有挑战性.
• 现有的方法往往缺乏个性化和实时生理洞察力.
• 电子健康记录 (EHR) 包含丰富的数据,但需要先进的方法来提取有意义的生理信息.

研究的目的:

• 开发一个计算管道,从EHR数据中估计未测量的生理参数.
• 为了产生高准确性,个性化和可解释的生理现象型.
• 为了实现患者状态的实时表征,以改善医疗护理.

主要方法:

• 使用反向问题框架和数据同化开发了一个表型化管道.
• 将管道应用于ICU患者的葡萄糖-胰岛素系统,估计胰岛素分泌,清除和抵抗.
• 在估计的生理参数上利用无监督的机器学习来导出离散的表型.

主要成果:

• 为ICU患者生成连续和离散的生理表型,量化未测量的胰岛素动态.
• 在不同ICU停留期间识别出不同的表型,具有很高的预测精度 (89%).
• 外部验证证实了表型与临床数据和临床医生的评估一致,显示了胰岛素分泌的83%一致性.

结论:

• 开发的方法产生了高度忠实,连续,时间特定,个性化,可解释和可预测的生理现象型.
• 这种方法为发现更深层次的生理洞察提供了一个可概括的框架.
• 这些发现为更加个性化和有效的医疗治疗铺平了道路.