在ICU患者中建立30天再入院预测模型,使用电子健康记录中的结构化和非结构化数据

科学领域:

• 医疗保健分析 医疗保健分析
• 临床信息学 临床信息学
• 机器学习在医学中的应用

背景情况:

• 重症监护室 (ICU) 的再接收会对患者的健康和医院的财务表现产生负面影响.
• 高回收率增加了死亡风险,并降低了医院的利能力,由于成本上升和退款减少.
• 准确预测ICU再入院的情况对于减轻不良结果和提高医院效率至关重要.

研究的目的:

• 开发和评估机器学习模型,用于预测ICU患者的30天再入院率.
• 通过结构化和非结构化临床数据确定ICU再入院的关键预测因素.
• 评估各种机器学习算法在预测患者再入院的性能.

主要方法:

• 使用MIMIC-III数据库,包含结构化 (人口统计,实验室,并发病) 和非结构化 (出院总结) 患者数据.
• 开发并比较多个机器学习模型,包括后勤回归,以预测30天的ICU再入院.
• 使用接收器操作特征曲线 (AUROC) 下的面积来评估模型性能.

主要成果:

• 后勤回归模型表现最好,实现了75.7%的AUROC.
• 研究了包括人口统计,实验室测试,并发症和出院总结在内的特征组合.
• 该研究强调了机器学习对ICU再接收风险的预测能力.

结论:

• 机器学习模型显示了准确预测ICU再入院的巨大潜力.
• 早期识别高风险患者可以实现有针对性的干预,以减少再入院.
• 利用临床数据,包括非结构化文本,提高了对患者结果的预测能力.