探索及时和安全的ICU出院:对机器学习预测和临床实践的比较研究

科学领域:

• 关键护理医学 关键护理医学
• 医疗保健中的人工智能
• 机器学习应用程序 机器学习应用程序

背景情况:

• 重症监护室 (ICU) 的出院实践不一致,导致符合条件的患者的认可延迟.
• 安全出院对于尽量减少患者再入院和死亡率至关重要.
• 开发了一个动态机器学习 (ML) 模型,以改进排放准备性评估.

研究的目的:

• 开发和验证一个动态的ML模型来预测ICU患者出院的准备.
• 为了比较ML模型的性能与医生在放电安全性和准确性方面的判断.
• 分析ML预测和医生决定之间的差异.

主要方法:

• 对17,852例ICU入院病例 (2015-2019) 的回顾性分析,使用动态,ICU可用的特征 (生命体,实验室,干预).
• 开发ML模型,包括LightGBM,用于每小时预测排放,而无需72小时再入院或死亡.
• 在2020年队列 (n=509) 中验证,并与医生出院决定进行比较.

主要成果:

• 轻GBM模型在开发队列中实现了0.91的AUROC,在验证队列中达到0.85.
• 医生对ML出院预测的同意率为84.5%.
• 医生出院的患者,不被模型认为准备就绪,不良结果的风险增加了2.32倍;模型提前5-9小时识别了患者.

结论:

• ML模型在预测ICU出院准备度方面显示出显著的潜力,与医生评估密切一致.
• 这些模型可以作为有效的查工具,以优化ICU出院流程.
• 实施ML可以导致更有效,更可靠的重症监护决策和改善患者的治疗结果.