机器学习帮助管理一般病房的急性损伤:多中心回顾性研究

科学领域:

• 腎臟病學 (nephrology) 是一種醫學專業.
• 人工智能的人工智能
• 机器学习 机器学习
• 预测分析是一种预测分析.

背景情况:

• 目前用于急性损伤 (AKI) 预测的AI模型主要是为重症监护病房开发的,限制了它们在一般医院病房的应用.
• 标准化的AKI定义和依赖ICU数据阻碍了现有的预测模型的临床实用性.
• 需要人工智能工具,可以通用到非关键护理环境,并利用精细的诊断标准.

研究的目的:

• 开发和验证机器学习 (ML) 框架,用于预测一般病房患者的AKI和急性病 (AKD).
• 通过使用精细的操作定义来提高AKI模型的临床相关性和预测性能.
• 提供一种工具,以协助在重症监护室以外的AKI和AKD管理.

主要方法:

• 一项回顾性多中心队列研究,涉及来自韩国3家医院的135,068名患者.
• AKI和AKD是使用修改的病:改善全球结果 (KDIGO) 标准来定义的,包括调整的基线肌素和更严格的增加值.
• 机器学习模型被开发用于早期预测AKI (3天前) 和AKD (AKI后7天内没有恢复).

主要成果:

• 与标准KDIGO (5407) 相比,精细的AKI标准发现了较少的病例 (2898),减少了暂时波动的错误分类.
• 对AKI的早期预测模型显示出高精度,AUC为0.9053 (内部) 和0.8860 (外部).
• 对AKD的早期预测模型实现了0.8202 (内部) 和0.7833 (外部) 的AUC,表明强大的预测能力.

结论:

• 开发的ML框架准确地预测了一般病房人口中的AKI和AKD.
• 精确的AKI定义有效地减少了与短暂的肌素变化相关的错误分类错误.
• 在临床工作流程中实施这种ML框架可以促进及时干预,优化资源配置,并改善AKI和AKD患者的治疗结果.