使用可解释的机器学习在重症监护室早期预测心脏骤停:回顾性研究
Yun Kwan Kim1,2, Won-Doo Seo1, Sun Jung Lee1
1Technology Development, Seers Technology Co. Ltd., Pyeongtaek-si, Gyeonggi-do, Republic of Korea.
Journal of medical Internet research
|September 17, 2024
概括
这项研究引入了一种新的整体方法,用于预测重症监护室 (ICU) 中的心脏骤停 (CA),提高了跨不同患者群体和ICU类型的准确性和概括性. 可解释模型有助于临床医生在早期干预中获得更好的患者结果.
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
- 医疗保健中的机器学习
背景情况:
- 心脏骤停 (CA) 是重症监护室 (ICU) 中死亡的一个重要原因.
- 现有的CA预测模型经常在不同患者群体和ICU亚型中进行概括和验证.
- 患者异质性对准确和及时的CA预测构成了挑战.
研究的目的:
- 开发一种临床上可解释的整体方法,用于在24小时内预测CA.
- 确保模型在各种患者群体和ICU亚型中的准确性和通用性.
- 为实时临床采用和患者独立评估提供可解释的结果.
主要方法:
- 来自MIMIC-IV和eICU-CRD数据库的数据的回顾性分析.
- 在12小时窗口内使用生命体征,多分辨率统计分析和吉尼指数进行特征提取.
- 开发一个TabNet模型,使用特征选和成本敏感学习,通过交叉验证和交叉数据集方法验证.
主要成果:
- 拟议的组合方法在不同人群和ICU亚型中表现出比传统方法更好的性能.
- 该模型在MIMIC-IV和eICU-CRD数据集中实现了比基线模型更高的准确性.
- 外部验证证实了该模型强大的概括能力,优于基线模型.
结论:
- 这种新的框架为CA在各种ICU环境中提供了稳定的预测能力.
- 可解释的结果突出了CA和非CA组之间的统计差异,有助于临床决策.
- 经过验证的CA预测系统支持早期临床干预,并有可能进行数字健康临床试验.
更多相关视频
05:36Standardized Model of Ventricular Fibrillation and Advanced Cardiac Life Support in Swine
Published on: January 30, 2020
7.6K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
