使用机器学习来识别ICU中COVID-19死亡的保护因素:一项回顾性研究

科学领域:

• 医疗信息学 医疗信息学
• 公共卫生 公共卫生
• 关键护理医学 关键护理医学

背景情况:

• COVID-19对需要进入重症监护室 (ICU) 的患者产生重大影响.
• 个体疾病进展需要确定患者结果的预后指标.
• 机器学习 (ML) 提供了分析复杂医疗数据以预测预后的潜力.

研究的目的:

• 采用机器学习 (ML) 来识别预测由于COVID-19而在ICU住院的患者出院的变量.
• 阐明重症COVID-19病例中患者结果的关键预测因素.

主要方法:

• 从巴西南部的532名ICU患者中收集了126个变量,包括人口统计,并发症和生命体征.
• 使用决策树 (ML算法) 来进行变量选择和物流回归来进行排放预测.
• 使用混矩阵评估模型性能,平衡精度,灵敏度,特异性和kappa值.

主要成果:

• 女性患者,没有中央静脉和膀导管,以及机械通风和膀导管使用的时间较短,与排泄的可能性增加有关.
• 每一个额外的住院日增加了14%的出院机会,而增加的年龄和机械通风持续时间减少了它们.
• 机器学习模型表现出强大的预测性能,在训练和测试数据集上均具有高平衡的准确性,灵敏性和特异性.

结论:

• 确定了关键的临床因素 (如性别,导管使用,通风持续时间) 显著影响COVID-19患者从ICU出院.
• 这些发现可以为制定有针对性的干预措施提供信息,以改善患者的预后和结果.
• 机器学习模型可以有效预测患者的出院情况,帮助临床决策在重症监护机构.