应用机器学习用于处方支持:在重症监护病房中使用未分离的肝素的用例
Boris Delange1,2, Guillaume Bouzille1, Isabelle Gouin3
1CHU Rennes, INSERM, LTSI-UMR 1099, Univ Rennes, 35000 Rennes, France.
Studies in health technology and informatics
|August 23, 2024
概括
机器学习模型可以使用抗Xa水平预测未分离的肝素剂量错误. 这些基于随机森林和XGB算法的工具旨在提高重症监护病房的患者安全.
科学领域:
- 药理动力学 药理动力学
- 机器学习 机器学习
- 临床决策支持 临床决策支持
背景情况:
- 在重症监护中,连续未分离的肝素至关重要,但由于复杂的药理动力学,精确剂量具有挑战性.
- 过量和过少剂量的肝素可以导致患者的不良后果.
研究的目的:
- 开发和评估机器学习模型,用于预测未分离的氨酸过量和不足剂量.
- 为了提高模型的可解释性,以获得临床接受.
主要方法:
- 一个单中心数据集的回顾性分析.
- 使用反Xa结果开发随机森林和XGBoost机器学习模型.
- 使用接收器操作特征曲线 (AUROC) 下面面积的模型性能评估.
主要成果:
- 随机森林和XGBoost模型都实现了平均AUROC为0.80.
- 用特征重要性分析来提高模型的解释性.
结论:
- 机器学习模型在预测肝素剂量错误方面表现有前途.
- 未来的验证和集成到计算机化医生订单输入系统中,可以将这些模型作为临床决策支持工具.


