在下体负压模型中,用于检测向低血压心血管不稳定性的进展的非侵入性生物标志物

科学领域:

• 生物医学工程 生物医学工程
• 临界护理医学 临界护理医学
• 医疗监测 医疗监测

背景情况:

• 创伤后隐性出血可能是阴险的,如果不及时检测到,可能导致患者死亡.
• 目前的监测依赖于传统的生命体征,这可能不会提供发展不稳定的早期警告.
• 非侵入性生物标志物为早期和更准确地检测生理变化提供了潜在的潜力.

研究的目的:

• 为了比较新型非侵入性生物标志物的有效性与传统的生命体征在检测出血引起的不稳定性早期迹象.
• 评估电阻断层扫描 (EIT) 和电阻光谱 (EIS) 在人类出血模型中的性能.
• 评估机器学习模型在使用综合传感器数据预测血液动力学不稳定的实用性.

主要方法:

• 一个经过验证的下体负压 (LBNP) 模型被用于18名人类受试者,以模拟低血压心血管不稳定性.
• 传统生命体征 (平均动脉压,心电图,心图) 的表现与EIT和EIS设备进行了比较.
• 分析了绝对和相对指标,以及基于机器学习的预测建模.

主要成果:

• 来自胸部的基于EIT的相对指标显示出卓越的表现,曲线下的面积 (AUC) 为0.99.
• 传统的生命体征,包括平均动脉压 (MAP),在类似的不稳定水平下显示出明显较低的预测能力 (AUC为0.6).
• 机器学习模型,特别是集成多种技术的机器学习模型,表现出强大的样本外预测性能.

结论:

• 电阻断层扫描 (EIT),无论是独立的还是集成到机器学习模型中,都显示出早期检测血液动力学不稳定的巨大潜力.
• 在模拟出血场景中,基于EIT的指标在识别心血管不稳定的进展方面优于传统的生命体征.
• 多种非侵入性监测技术的结合为在重症监护机构加强患者监测提供了一个有希望的途径.