在重症监护室进行短期生命指标预测:一项基准研究,利用心胸外科手术后患者的数据
Nils Hinrichs1,2, Tobias Roeschl1,2,3, Pia Lanmueller1,4
1Department of Cardiothoracic and Vascular Surgery, Deutsches Herzzentrum der Charité (DHZC), Berlin, Germany.
PLOS digital health
|September 12, 2024
概括
机器学习模型可以预测重症监护室 (ICU) 中的生命体征. 多变量神经网络,如封闭循环单元 (GRU),在预测患者生命指标方面优于统计模型.
科学领域:
- 临界护理医学 临界护理医学
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 重症监护室 (ICU) 需要持续监测患者.
- 机器学习 (ML) 解决方案越来越多地用于预测患者的结果.
- 在ICU中基于ML进行重要的参数预测的强有力的基准很少.
研究的目的:
- 评估ML模型的可行性,用于预测ICU中的重要参数.
- 建立关键参数预测准确性的基准.
- 为了完成这个任务,比较各种统计和神经网络模型的性能.
主要方法:
- 实施了五个单变量统计模型,两个单变量神经网络 (N-BEATS,N-HiTS) 和两个多变量神经网络 (GRU,变压器).
- 预测6个重要参数 (血压,中央静脉压,氧和,心率) 在5-120分钟间隔.
- 利用来自德国心脏中心的大型患者队伍和eICU协作研究数据库进行开发,内部和外部测试.
主要成果:
- 多变量神经网络,特别是GRU,与单变量统计模型相比,表现优越.
- 神经网络模型的优势随着预测时间的延长而增加.
- 在ICU环境中为重要参数预测性能建立了广泛的基准.
结论:
- 使用ML,可以对ICU中的重要参数进行短期预测.
- 多变量神经网络最适合进行重要参数预测,因为它们能够学习跨患者模式.
- 这些发现支持将基于ML的预测整合到ICU的临床决策工具中.
