开发和验证一个预测模型的急性低压事件在重症监护室患者的发展和验证

科学领域:

• 关键护理医学 关键护理医学
• 生物医学信息学 生物医学信息学
• 医疗保健中的机器学习

背景情况:

• 在重症监护室 (ICU) 持续的低血压是增加死亡率的重要预测因素.
• 对急性低血压事件的及时干预可以改善患者的结果.
• 开发这些事件的准确预测模型对于主动的患者管理至关重要.

研究的目的:

• 开发和验证ICU患者急性低血压事件的预测模型.
• 为了比较不同机器学习算法的性能,用于低血压预测.
• 为了确定预测急性低血压事件最有效的特征.

主要方法:

• 从名古屋城市大学 (NCU) 医院ICU (2018-2021) 的成年患者被用于内部验证.
• 使用MIMIC-III数据库对预测模型进行外部验证.
• 机器学习算法包括后勤回归,LightGBM和LSTM,使用生命体征和人口统计数据进行训练.
• 低血压事件被定义为在10分钟窗口内至少5分钟的平均动脉压<60 mmHg.

主要成果:

• 急性低血压事件发生在NCU入院的74.6%和MIMIC-III入院的51.1%.
• 在内部验证中,LightGBM模型实现了0.835的接收器操作特征曲线 (AUROC) 下的最高面积.
• 仅使用血压相关特征的LSTM模型显示出最高的AUROC为0.843,并在内部和外部验证中显示出一致的性能.

结论:

• 长期短期记忆 (LSTM) 模型,当仅使用与血压相关的特征时,在急性低血压事件中表现出优异的预测性能.
• 通过内部和外部数据集的可比结果验证了LSTM模型的有效性.
• 这些发现表明,专注于血液动力学数据的LSTM模型为在重症监护机构中早期检测低血压提供了有希望的方法.