一个新的,可解释的机器学习模型来预测静脉外体膜氧化后的神经结果

科学领域:

• 人工智能在医学中的应用
• 关键护理医学 关键护理医学
• 神经学 神经学

背景情况:

• 预测VA-ECMO后的神经结果对于患者管理至关重要.
• 电子医疗记录 (EMR) 数据为预测建模提供了丰富的资源.

研究的目的:

• 开发和评估用于预测VA-ECMO患者神经结果的机器学习模型.
• 评估纳入EMR数据 (包括生理学,实验室和电路参数) 对预测准确性的影响.

主要方法:

• 194名接受VA-ECMO治疗的成年患者的回顾性审查.
• 从EMR提取超过1400万个数据点,包括生命体征,实验室和电路设置.
• 开发XGBoost模型与Shapley附加解释,使用leave-one-out交叉验证进行评估.

主要成果:

• 采用整个ECMO运行的数据的C模型实现了0.90.9的AUC.
• 与单独的ECMO前数据相比,包括在ECMO上的数据显著提高了预测准确性.
• 较低的BMI,年轻的年龄,更高的MAP和更高的血红蛋白与良好的神经结果有关.

结论:

• 使用EMR数据的可解释机器学习模型可以准确预测VA-ECMO患者的神经结果.
• 这种预测能力可以帮助临床决策和优化患者护理.