基于机器学习的预测模型,用于重症监护病人的死亡率,使用护理记录

科学领域:

• 关键护理医学 关键护理医学
• 医疗信息学 医疗信息学
• 护理研究 护理研究

背景情况:

• 准确预测重症监护室 (ICU) 死亡率对于资源配置和患者管理至关重要.
• 现有的模型往往缺乏日常护理文档中捕捉到的细微见解.
• 在记录中记录下来的护士的观察和担忧,为患者的状态提供了独特的视角.

研究的目的:

• 开发和评估ICU死亡率预测模型,利用基于护士记录的担忧的概念框架.
• 在MIMIC IV数据库中从护理记录中确定死亡率的关键预测因素.
• 探索这些模型在临床决策支持系统中的潜在整合.

主要方法:

• 利用了MIMIC IV数据库,包括46,693名成年ICU入院患者,入院时间至少24小时.
• 包括人口统计数据,临床数据,以及与护士关注相关的护理文档的频率作为预测因素.
• 使用10倍交叉验证训练了四个预测模型,并根据类不平衡进行了调整.

主要成果:

• 随机森林 (RF) 模型在预测ICU死亡率方面表现最好.
• 通过RF模型确定的关键预测因素包括生命体征记录的频率,整体护理笔记频率和与监测相关的护理笔记频率.
• 这些发现强调了记录的护理观察的预测能力.

结论:

• 结合护理记录数据,反映护士关切的ICU死亡率预测模型是可行的和有效的.
• 特定护理文档类型 (生命体征,一般笔记,监测笔记) 的频率是死亡率的重要预测指标.
• 将这些数据驱动的见解整合到临床决策支持工具中,可以改善ICU患者的治疗结果.