机器学习用于预测老年重症监护室患者 Delirium 的情况

科学领域:

• 关键护理医学 关键护理医学
• 老年病的医生 老年病的医生
• 在医疗保健中的数据科学.

背景情况:

• 痴呆症是老年ICU患者的常见并发症,与不良结果有关.
• 早期识别高风险患者对于及时干预至关重要.

研究的目的:

• 开发和验证老年ICU患者痴呆症的预测模型.
• 帮助临床医生在早期识别患有狂妄症高风险的患者.

主要方法:

• 使用了密集护理-IV (MIMIC-IV) 数据库的医疗信息中心,包括76,943次ICU住院.
• 开发并验证了两个模型:极端梯度增强 (XGBoost) 和后勤回归 (LR).
• 包括老年患者 (>=65岁) 与ICU停留时间>=24小时,不包括那些早期阳性妄想测试患者.

主要成果:

• 与LR模型相比,XGBoost模型实现了更高的性能 (AUC 0.853训练,0.831测试).
• 确定了22个重要的预测因素,其中最重要的因素包括SOFA得分,感染,血小板,SBP和温度.
• XGBoost显示出比LR模型更好的校准和临床实用性.

结论:

• XGBoost模型显示了老年ICU患者痴呆症的强有力的预测能力.
• 这个模型可以帮助临床医生在早期检测和有针对性的干预.
• 早期识别和干预可能会改善患者的治疗结果.