使用机器学习开发和外部验证动态风险评分,以便在心脏重症监护病房早期预测心脏性休克

科学领域:

• 心脏病学 心脏病学
• 人工智能在医学中的应用
• 关键护理医学 关键护理医学

背景情况:

• 心脏性休克显著增加了心肌梗塞和心力衰竭患者的死亡率.
• 早期发现心脏性休克对于及时和有效的治疗干预至关重要.

研究的目的:

• 开发和验证一种新的动态风险评分,CShock,用于在心脏重症监护室 (ICU) 早期检测心脏性休克.

主要方法:

• 一个深度学习模型 (CShock) 在心脏ICU数据集 (MIMIC-III) 上训练了1500名患者,其中204人患有心脏性休克.
• 功能包括人口统计,诊断,实验室值,生命体征和心声回声图/导管报告数据.
• 外部验证是在一个单独的心脏ICU队列 (NYU Langone Health) 上进行的.

主要成果:

• CShock 在培训队列中获得了0.821的AUROC,在外部验证队列中获得了0.800,证明了可通用性.
• 通过沙普利值确定的关键预测因素包括心率升高,ST升高心肌梗塞,急性不补偿性心力衰竭,布拉登表,格拉斯哥昏迷表,BUN,缩血压,血清化物,血清和动脉pH.

结论:

• 在高风险的ICU患者中,CShock评分为自动化,早期检测心脏性休克提供了潜在的潜力.
• 这种工具可能会为数以百万计患有心肌梗塞和心力衰竭的患者带来改善的临床结果.