基于相似性网络融合算法,用于对患有全身炎症反应综合征的紧急重症监护病房患者进行分类的预测模型

科学领域:

• 关键护理医学 关键护理医学
• 神经学 神经学
• 医疗信息学医学信息学

背景情况:

• 在重症监护室获得的软弱 (ICU-AW) 是重症患者常见且严重的神经肌肉疾病.
• 它源于严重疾病,标志着系统性炎症反应综合征 (SIRS) 诱导的代谢压力和器官功能障碍.
• 密集护理-AW显著影响患者的预后,需要准确的诊断,通常由电生理学检查辅助.

研究的目的:

• 开发和验证SIRS患者的ICU-AW预测模型.
• 为ICU-AW早期临床预测提供一个实用的工具.
• 在数据丰富的ICU环境中利用相似网络融合 (SNF) 进行预测建模.

主要方法:

• 从94次随访中收集了临床特征,人口统计数据,电生理学数据 (神经传导,F波,直接肌肉刺激 - DMS) 和严重性得分 (MRC,SOFA,APACHE II,CRP).
• 应用SNF来融合基于年龄,性别,BMI和电生理学数据的相似性网络.
• 在合并网络上利用光谱聚类和标签传播来进行患者分类和预测.

主要成果:

• 对SIRS患者的ICU-AW开发的分类预测模型与临床诊断,准确性和辨别能力具有很高的一致性.
• 该模型确定了晚年和肺部感染是ICU-AW的关键风险因素.
• 直接肌肉刺激 (DMS) 在预测SIRS的EICU患者的临床肌肉衰弱方面具有显著的预后价值.

结论:

• 电生理学异常是ICU-AW和非ICU-AW的关键指标.
• 将SIRS患者推进到ICU-AW的预测建模有助于早期干预,机械研究和康复策略.