通过使用常规重症监护病房数据的基于神经网络的反复机器学习,在动脉瘤下关节出血患者中早期预测腹腔周围突变的依赖性
Nils Schweingruber1, Jan Bremer1, Anton Wiehe1,2
1Department of Neurology, University Medical Center Hamburg-Eppendorf, 20246, Hamburg, Germany.
Journal of clinical monitoring and computing
|March 21, 2024
概括
机器学习准确地预测了在进入重症监护室 (ICU) 后四天内患有动脉瘤下关节出血 (aSAH) 的患者的腹腔关节 (VP) 转移需求. 这种早期识别有助于及时干预头管理.
科学领域:
- 神经外科 神经外科
- 密集护理医学 密集护理医学
- 人工智能在医学中的应用
背景情况:
- 动脉瘤下关节出血 (aSAH) 经常导致水头发症,需要进行干预,例如外部心室排水 (EVD) 和潜在的永久性心室关节 (VP) 转移.
- 预测需要早期安装VP分流器对于优化患者管理和神经临床护理结果至关重要.
研究的目的:
- 调查基于循环神经网络 (RNN) 的机器学习模型在预测aSAH患者需要VP分流位的有效性.
- 使用常规重症监护室 (ICU) 数据确定预测的最佳时间点.
主要方法:
- 在2010年至2020年期间,对602名在ICU治疗的aSAH患者进行了回顾性分析.
- 评估了120多个参数,包括神经临床护理数据,生命体征和血液气体分析.
- 机器学习技术的应用和比较,特别是RNN和梯度增强机器,用于VP的分流依赖性预测.
主要成果:
- RNN模型早在ICU住院的第1天就成功预测了VP分流依赖性 (AUC-ROC 0.77).
- 预测准确性在第4天得到改善,AUC-ROC达到0.81 (76%准确率,85%灵敏度,74%特异性).
- 常规ICU数据证明足以使用RNN进行准确的预测.
结论:
- 循环神经网络 (RNN) 机器学习模型可以可靠地预测到中风后的第四天,在aSAH患者中需要进行VP分流安置的需求.
- 通过机器学习进行早期识别,有助于及时进行治疗干预,并为水头管理进行程序规划.
- 这种方法具有显著的潜力,可以改善神经临床环境中的患者护理途径.
