基于机器学习的儿科早期预警分数:在实施前后研究中的患者结果,2019-2023年
Anoop Mayampurath1,2, Kyle Carey3, Brett Palama4
1Department of Biostatistics & Medical Informatics, University of Wisconsin-Madison, Madison, WI.
概括
儿科计算风险评估和选 (pCART) 工具显著减少了高风险住院儿童的关键事件. 这种机器学习模型通过实现及时干预和防止直接病房转移到ICU,改善了患者的治疗结果.
科学领域:
- 儿科重症监护医药 儿科重症监护医药
- 机器学习在医疗保健中的应用
- 临床决策支持系统临床决策支持系统
背景情况:
- 在儿童中,直接从病房转移到ICU具有重大风险.
- 准确和及时的风险分层对于儿科患者管理至关重要.
- 现有的方法可能无法充分预测需要重症监护的需要.
研究的目的:
- 描述儿科计算风险评估和选 (pCART) 机器学习模型的实施.
- 评估PCART对预测12小时内直接转移到ICU病房的影响.
- 评估住院儿童治疗结果的相关改善.
主要方法:
- 采用了实施前与实施后的研究设计.
- 该研究包括在一个城市,三级医疗学术医院的儿科住院 (<18岁).
- 数据从2019年5月到2023年4月收集,分为基线和pCART实施队列.
主要成果:
- pCART的实施与关键事件的显著减少有关 (从1.4%降至0.4%,p < 0.001).
- 通过pCART识别的高风险患者的临界事件的调整几率降低了三分之二以上 (OR,0.22;p < 0.001).
- 没有发现与整体住院/ICU停留时间的显著关联,但在ICU转移患者的LOS中注意到了差异.
结论:
- 部署pCART机器学习工具改善了儿科病房患者的临床决策支持.
- pCART的实施与高风险儿科患者出现关键事件的几率降低有关.
- 该研究强调了人工智能驱动工具在提高儿科重症监护结果方面的潜力.
