机器学习算法的性能,以预测自发呼吸非通风后麻醉和ICU患者的低血压

科学领域:

• 麻醉学 麻醉学
• 关键护理医学 关键护理医学
• 生物医学工程 生物医学工程

背景情况:

• 低血压是麻醉后护理单元 (PACU) 和重症监护单元 (ICU) 设置中的常见并发症,与患者不良结果有关.
• 低血压预测指数 (HPI) 算法在预测机械通风患者的低血压方面表现出有效性.
• 阳性压力通风对血液动力学的影响需要在非通风人群中验证HPI.

研究的目的:

• 验证低血压预测指数 (HPI) 算法在预测PACU和ICU中非通风患者的低血压中的性能.
• 在没有正压通风的临床环境中评估HPI的准确性.

主要方法:

• 从PACU和混合ICU患者收集血压 (BP) 和HPI数据的前景收集.
• 在没有机械通风的情况下,选择至少有3小时数据的录音.
• 使用灵敏度,特异性,预测值,时间到事件分析和接收器操作特征 (ROC) 曲线构造来评估HPI性能.

主要成果:

• 分析包括282名患者 (86%ICU),平均年龄为63岁;66%是男性.
• HPI在预测低血压方面表现出很高的准确性,实现ROC曲线下的面积为0.94.
• 在85的常用值下,HPI的灵敏度为1.00,特异性为0.79,正预测值 (PPV) 为0.85,负预测值 (NPV) 为1.00.

结论:

• 缺少正压通风并不会影响低血压预测指数 (HPI) 算法的预测PACU和ICU患者低血压的能力.
• 在非通风患者群体中,HPI是预测低血压的可靠工具.
• 需要进一步的研究来探索HPI在非通风风险人群中对患者结果的实施和影响.