从重症监护室出院后意外再入院或死亡的机器学习预测:一个回顾性队列研究
Thomas Tschoellitsch1, Alexander Maletzky2, Philipp Moser2
1Department of Anesthesiology and Critical Care Medicine, Johannes Kepler University Linz and Kepler University Hospital, Linz, Austria.
机器学习模型准确地预测了不太可能需要计划外的ICU再入院或在出院后48小时内死亡的患者. 这提高了重症监护室 (ICU) 住院后的患者安全.
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:
- 重症监护室 (ICU) 管理需要重症医疗护理的重症患者.
- 患者从ICU出院需要仔细考虑入院原因和ICU后的稳定性.
- 在ICU退院后,器官功能障碍或不稳定会带来危及生命的风险.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于预测计划外的ICU再入院或死亡.
- 将ML模型的性能与转移稳定性和工作负载指数 (SWIFT) 评分进行比较.
- 确定影响ML模型预测的关键患者特征.
主要方法:
- 从2010年到2019年,在一个中心 (奥地利林茨凯普勒大学医院) 进行了一项回顾性队列研究.
- 机器学习模型使用内部数据和MIMIC-IV进行训练,以预测计划外的ICU再入院或死亡.
- 模型性能使用受体运行特征曲线下的面积 (AUC-ROC) 和负预测值 (NPV) 进行评估,并通过Shapley添加解释分析特征重要性.
主要成果:
- 最好的ML模型实现了AUC-ROC为0.721 ± 0.029和NPV为0.990 ± 0.002.
- 关键的预测特征包括心率,外周氧和和动脉血压.
- ML模型的表现优于SWIFT得分,SWIFT得分的最佳AUC-ROC为0.618±0.011.
结论:
- 机器学习模型有效地识别了在离院后48小时内低风险的非计划性ICU再入院或死亡的患者.
- 这些模型为增强患者安全和优化ICU出院决策提供了有前途的工具.
- 这些发现突出了ML在重症监护中的潜力,用于积极的风险分层.
更多相关视频
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
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
相关概念视频
Cardiomyopathy V: Interprofessional Care
Documentation of Nursing Diagnosis
In some settings, data-driven computerized decision support systems are in place, allowing for more accurate nursing diagnoses. The database within one of these systems includes diagnostic labels defining characteristics, activities, and indicators for nursing. A nurse enters...
Kaplan-Meier Approach
Cardiomyopathy VII: Pre and Post Operative Nursing Management
Restorative Care
Rheumatic Heart Disease IV: Nursing Management
