实时自动预测ECMO治疗的ICU患者的风险

科学领域:

• 关键护理医学 关键护理医学
• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学

背景情况:

• COVID-19大流行突显了重症监护室 (ICU) 和先进的生命支持技术的关键作用.
• 身体外膜氧化 (ECMO) 对严重呼吸衰竭至关重要,产生了大量的患者数据.
• 机器学习 (ML) 为分析复杂的ICU数据提供了潜力,以改善患者的治疗结果.

研究的目的:

• 开发和评估ML模型,以预测接受ECMO的COVID-19患者的临床恶化和改善.
• 确定实时临床评估的最佳模型,及时预警患者状态的重大变化.

主要方法:

• 利用ECMO上COVID-19肺炎患者的81个标记的多变量时间序列.
• 应用支持矢量机 (SVM) 和随机森林 (RF) 模型用于预测临床变化.
• 使用诸如AUROC (接收器操作特征曲线下的面积) 等指标评估模型性能.

主要成果:

• 最优的随机森林模型表现出了卓越的性能和校准.
• 开发的临床评估得分准确地预测了显著的临床恶化和改善.
• 在4,8小时和12小时的预测间隔中分别获得了高的AUROC值 (0.9176,0.8944,0.8556).

结论:

• 机器学习,特别是随机森林,对于在重症监护中的实时患者监测是有效的.
• 临床评估得分可以作为一个有价值的工具,用于预测ECMO患者的关键事件.
• 这种方法支持主动的临床决策,并有可能改善ICU中的患者管理.