基于纵向不规则数据的重症监护病人的动态实时风险预测模型的开发和验证:多中心回顾性研究
Zhuo Zheng1, Jiawei Luo2, Yingchao Zhu1
1Department of Anesthesiology, West China Hospital of Sichuan University, Chengdu, China.
Journal of medical Internet research
|April 23, 2025
概括
这项研究开发了一种基于时间意识的双向注意力的长期短期记忆 (TBAL) 模型,用于实时预测ICU死亡率. 该TBAL模型使用电子病历数据准确预测患者的死亡率,优于传统方法.
科学领域:
- 密集护理医学是密集护理的医学.
- 机器学习在医疗保健中的应用
- 临床信息学是一种临床信息学.
背景情况:
- 传统的ICU死亡率评分系统缺乏实时的适应性和解释性.
- 电子医疗记录 (EMR) 数据为动态风险预测提供了潜力.
- 现有的机器学习模型与不规则的数据作斗争,缺乏外部验证.
研究的目的:
- 开发一个实时,可解释的ICU死亡风险预测模型.
- 使用不规则的纵向EMR数据进行持续的患者评估.
- 在性能和通用性方面改进传统的静态评分系统.
主要方法:
- 开发了一种基于时间意识的双向注意力长期短期记忆 (TBAL) 模型.
- 使用了来自MIMIC-IV和eICU-CRD数据库的数据 (176,344次ICU停留).
- 嵌入的动态变量 (生命体,实验室,药物) 每小时更新;执行外部交叉验证.
主要成果:
- 对于静态和动态的死亡率预测,TBAL模型实现了高AUROC (高达95.9) 和AUPRC.
- 在两个数据集中都表现出很强的准确性 (高达94.1) 和F1分数.
- 外部验证证实了通用性,在子组中表现稳定.
结论:
- TBAL模型为动态ICU死亡风险预测提供了一个强大的,可解释和可通用的解决方案.
- 该模型能够处理时间模式并提供每小时更新的能力使其成为一个有希望的决策支持工具.
- 未来的研究应该专注于未来的验证和整合到临床工作流程中.
