使用机器学习模型预测和模拟PEEP设置效应
Claas Händel1, Inéz Frerichs2, Norbert Weiler2
1Department of Anaesthesiology and Intensive Care Medicine, University Medical Centre Schleswig-Holstein, Campus Kiel, Kiel, Germany; Department of Medical Informatics, University Medical Centre Schleswig-Holstein, Campus Kiel, Kiel, Germany.
Medicina intensiva
|December 22, 2023
概括
一个新的机器学习模型可以预测通风成功参数,如氧气和二氧化碳水平,以帮助调整ICU患者的阳性末尾呼吸压力 (PEEP). 这种人工智能方法为优化机械通风提供了一种具有成本效益的方法.
科学领域:
- 关键护理医学 关键护理医学
- 生物医学工程 生物医学工程
- 医疗保健中的人工智能
背景情况:
- 机械通风对于重症患者至关重要.
- 积极的呼吸末端压力 (PEEP) 管理是复杂的,并影响患者的结果.
- 目前的PEEP定位方法可能无法充分利用现有的患者数据.
研究的目的:
- 开发和验证用于自动化PEEP调整的机器学习 (ML) 模型.
- 使用例行测量数据来预测通风成功参数.
- 为在重症监护病房 (ICU) 建立一个新的,数据驱动的PEEP定位方法.
主要方法:
- 追溯观察性研究设计.
- 利用了来自美国多个ICU (MIMIC-III和eICU数据库) 的51,811名机械通风患者的数据.
- 开发了一种多任务神经网络,以预测动脉血液气体和呼吸系统的符合性.
主要成果:
- 在所有预测任务中,ML模型实现了卓越的性能.
- 精确的45分钟预测氧气 (PaO2) 和二氧化碳 (PaCO2) 的部分压力,以及呼吸系统的合规性.
- 通过模拟的案例场景来证明PEEP调整的模型实用性.
结论:
- 机器学习为PEEP定位提供了一个有希望的,具有成本效益的方法.
- 开发的模型可以使用现有的ICU数据预测关键通风参数.
- 获得全面的ICU患者数据对于提高预测模型准确性至关重要.


