在重症监护室急性中风患者中使用机器学习预测 Delirium 的发生

科学领域:

• 神经学 神经学
• 关键护理医学 关键护理医学
• 数据科学数据科学数据科学

背景情况:

• 痴呆症在ICU中的缺血性中风患者中很常见,导致结果不佳.
• 早期痴呆症诊断对于改善中风幸存者的患者预后至关重要.
• 当前的诊断方法可能无法捕捉患者状态的实时变化.

研究的目的:

• 开发和验证用于实时妄状态分类的预测模型.
• 确定预测缺血性中风患者痴呆症的关键临床和生理特征.
• 创建一个工具来监测ICU和中风病房的高风险患者.

主要方法:

• 利用集体方法来构建预测模型.
• 包括8个固定入院特征 (例如,年龄,NIHSS,HbA1c) 和12个动态生命体征特征 (例如,BT,HR,SPO2).
• 包括来自阿大学医院重症监护室的84名狂妄症和336名非狂妄症患者.

主要成果:

• 实现了接受器操作特征曲线 (AUROC) 下的面积为0.80,用于妄想分类.
• 模拟评估显示AUROC为0.71,预测准确度越来越接近妄想发作.
• 在狂妄发生之前观察到生命体征 (BT,SpO2,RR,HRV) 的动态变化.

结论:

• 开发的模型准确地预测了缺血性中风患者实时 Delirium 的可能性.
• 这种工具可以帮助持续监测高风险患者.
• 实时生命体征模式是早期妄检测的有价值指标.