机器学习模型的开发和验证,用于使用连续的生理数据在重症监护室早期预测痴呆症:回顾性研究
Chanmin Park1, Changho Han1, Su Kyeong Jang2
1Department of Biomedical Systems Informatics, Yonsei University College of Medicine, Seoul, Republic of Korea.
Journal of medical Internet research
|April 2, 2025
概括
一个新的机器学习模型使用常规的生理数据准确地预测了重症监护室 (ICU) 的妄想. 这种工具有助于早期干预,并改善了重症监护机构患者的治疗结果.
科学领域:
- 关键护理医学 关键护理医学
- 机器学习应用 机器学习应用
- 患者监测 患者监测
背景情况:
- 在重症监护室 (ICU) 中的妄想症对患者的治疗结果和医疗保健效率构成重大挑战.
- 准确的实时妄预测对于及时干预和优化ICU资源配置至关重要.
研究的目的:
- 开发一种新的机器学习模型,用于预测ICU患者的妄想.
- 该模型仅使用连续的生理数据和常规可用的临床信息.
主要方法:
- 使用临床和连续生理数据开发和评估机器学习算法 (随机森林,额外树木,LightGBM).
- 使用内部,时间和外部数据集验证模型,包括对ICU (CAM-ICU) 评估的潜在混评估方法.
- 通过决策曲线分析和时间模式分析评估临床效用.
主要成果:
- 开发的随机森林模型在内部 (AUROC:0.82),时间 (AUROC:0.73) 和外部 (AUROC:0.84) 验证方面表现强.
- 通过0.81.1的科恩 κ系数证实了可靠的妄想决定.
- 决策曲线分析显示了积极的净收益,随着妄想开始的临近,模型得分增加.
结论:
- 使用常规测量变量 (包括生理波形) 的机器学习模型成功开发用于ICU Delirium预测.
- 随机森林模型表现出一致和有效的性能,适用于广泛的ICU患者.
- 该模型的非侵入性降低了额外的风险,提高了其临床实用性,用于早期妄检测.
