使用弱信号来预测自发呼吸试验的成功:一种机器学习方法

科学领域:

• 密集护理医学 密集护理医学
• 生物医学工程 生物医学工程
• 医疗保健中的人工智能

背景情况:

• 机械通风断奶在ICU护理中至关重要,困难病例的死亡率很高.
• 预测断奶成功是有挑战的,因为复杂的,多因素的影响.
• 生物信号,通常被认为是"弱信号",具有改善预测的潜力.

研究的目的:

• 评估机器学习 (ML) 模型来预测自发呼吸试验 (SBT) 的成功.
• 确定关键的生物信号和变量,这些变量对于准确的断奶预测至关重要.
• 探索人工智能的应用,分析复杂的患者数据,以便做出更好的临床决策.

主要方法:

• 在两个中心对232名接受机械呼吸 (MV) 的ICU患者进行了回顾性分析.
• 使用离散变量和时间序列生物信号从SBT前24小时开发ML算法.
• 在2020年1月至2023年4月期间收集的数据.

主要成果:

• 支持矢量分类器 (SVC) 模型在预测SBT成功方面表现出卓越的表现.
• 在SVC中,AUC-PR达到0.963和AUROC达到0.922.
• 两个指标均实现了统计显著性 (p < 0.001).

结论:

• 使用生物信号的ML模型是SBT成功的有效预测器.
• 人工智能为开发多维模型提供了一个有希望的途径,用于分析机械通风断奶中的弱信号.
• 这种方法可以提高断奶结果的预测,并可能降低死亡率.