动态死亡率预测在重症儿童在医院间运输到PICU使用可解释AI期间的死亡率预测
Zhiqiang Huo1,2,3, John Booth4, Thomas Monks5
1Institute of Health Informatics, University College London, London, UK.
NPJ digital medicine
|February 17, 2025
概括
这项研究介绍了PROMPT,这是一种机器学习工具,可以预测在医院间转移期间危急病患儿童的30天死亡风险. PROMPT提供实时,数据驱动的洞察力,以改善患者护理和结果.
科学领域:
- 儿科重症监护室的儿童重症监护室
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 在医院之间转移的重症儿童面临更高的死亡风险.
- 目前的运输评估缺乏实时死亡风险预测.
- 需要数据驱动的工具来监控运输期间的患者.
研究的目的:
- 引入以患者为中心的实时结果监测和死亡率预测 (PROMPT) 管道.
- 开发一种可解释的机器学习模型,用于预测医院间转移期间儿科患者的30天死亡风险.
- 在运输过程中提供实时,个性化的死亡风险评估.
主要方法:
- 开发了一个端到端的机器学习管道 (PROMPT).
- 集成的连续时间序列生命体征,医疗记录和运输数据.
- 利用随机森林和物流回归模型来预测死亡率.
主要成果:
- 在预测死亡风险方面,PROMPT证明了原则证明.
- 随机森林模型获得的AUROC为0.83 (95%CI:0.79-0.86).
- 后勤回归模型实现了0.81的AUROC (95%CI:0.76-0.85).
结论:
- PROMPT为运送的重症儿童提供实时死亡风险预测.
- 该模型在医院间运输期间提供个人级别的解释性.
- 这个工具解决了儿科运输数据驱动评估的差距.
