使用深度学习对生存和不生存患者的重症监护停留时间的预测

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
• 机器学习 机器学习

背景情况:

• 当前的重症监护病房 (ICU) 停留时间 (LOS) 基准模型表现出偏差,因为它没有区分存活和不存活的患者.
• 这种局限性可能导致不准确的预测和不公平的ICU护理绩效评估.
• 解决文档偏差对于提高这些模型的可靠性至关重要.

研究的目的:

• 为重症监护病房 (ICU) 开发先进的停留时间 (LOS) 预测模型.
• 通过区分存活和不存活患者的结果来解决当前模型中的偏差.
• 通过一种新的深度学习方法,提高ICU基准测试的准确性和公平性.

主要方法:

• 利用深度学习框架来建模与竞争风险相匹配的时间到事件数据,用于预测医院和ICU LOS.
• 临界护理结果预测模型 (CCOPM) LOS结合了从ICU入院的前24小时起的患者特征,生命体和实验室.
• 来自电子ICU研究所数据库 (669,876人) 的数据被分为培训,验证和测试集 (2:1:1比).

主要成果:

• 与APACHE IVb模型相比,CCOPM LOS模型表现得更好,特别是对于没有生存的患者.
• 对于ICU LOS,CCOPM实现了0.30 (幸存者) 和0.23 (非幸存者) 的R2值,超过了APACHE IVb (0.16和0).
• 医院LOS预测也显示了CCOPM的优异性能,R2值为0.39 (幸存者) 和0.40 (非幸存者) 与APACHE IVb (0.27和0) 相比.

结论:

• 新的CCOPM LOS模型代表了在创建更公平的ICU基准测试工具方面取得的重大进展.
• 该模型对生存状况的解释能力提高了跨不同患者群体的预测准确性.
• 它有助于更公平的绩效评估在不同的ICU设置与不同的风险概况.