机器学习通过使用离散电子健康记录数据在重症监护室患者中早期预测休克

科学领域:

• 关键护理医学 关键护理医学
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 在重症监护室 (ICU) 患者中早期预测新发性休克对于改善结果至关重要.
• 电子健康记录 (EHR) 包含大量的生命体征数据,可用于预测建模.

研究的目的:

• 开发和评估机器学习 (ML) 模型,用于预测ICU患者的新发性休克.
• 利用来自EHR的离散生命体征数据进行早期冲击检测.

主要方法:

• 分析了11,305名成年ICU患者的队列,不包括入院后4小时内处于休克状态的患者.
• 从ICU住院的前4小时的生命体征数据被用来预测随后4小时的休克发作.
• 后勤回归与ML模型进行了比较:弹性网,随机森林,增强树木和极端梯度增强 (XGB).

主要成果:

• 新发性休克发生在4.3%的患者身上,与更高的ICU和住院死亡率有关.
• 与物流回归相比,ML模型显示出更高的歧视性,XGB实现了最高的歧视性 (0.82).
• XGB模型实现了81%的准确性,负预测值≥98%,正预测值为14%.

结论:

• 机器学习模型显示了在ICU患者中准确预测新发性休克的巨大潜力.
• 在ICU入院后的前4小时内,生命体征数据足以使用ML有效预测冲击.
• XGB模型在预测新发性休克和住院死亡率方面表现强.