在接受静脉外体膜氧化治疗的患者中,高颗粒度机器学习预测急性脑损伤
Mingfeng Cao1, Shi Nan Feng1, Yaman B Ahmed1
1From the Division of Neurosciences Critical Care, Department of Neurology, Neurosurgery, Anesthesiology and Critical Care Medicine, Johns Hopkins Hospital, Baltimore, Maryland.
ASAIO journal (American Society for Artificial Internal Organs : 1992)
|May 1, 2025
概括
使用高分辨率数据的机器学习模型在静脉外体膜氧化 (VA-ECMO) 患者中改善了急性脑损伤 (ABI) 的预测. 这有助于早期干预,以获得更好的患者结果.
科学领域:
- 关键护理医学 关键护理医学
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
背景情况:
- 急性脑损伤 (ABI) 是静脉外体膜氧化 (VA-ECMO) 患者的常见并发症,影响恢复.
- 目前用于预测该人口中的ABI的方法是不理想的,需要改进预测策略.
- 及时预测ABI对于启动干预和预防患者不良结果至关重要.
研究的目的:
- 为了提高急性脑损伤 (ABI) 的预测,在接受静脉外体膜氧化 (VA-ECMO) 的患者中.
- 利用机器学习 (ML) 模型与高时间分辨率的颗粒数据来提高ABI预测.
- 在VA-ECMO支持期间确定与ABI发展相关的关键临床预测因素.
主要方法:
- 来自约翰霍普金斯医院的355名VA-ECMO患者 (2016-2024) 的回顾性分析.
- 收集和分析每位患者超过300万个高时间分辨率数据点.
- 应用四种机器学习模型:随机森林,分类提升,自适应提升和极端梯度提升.
主要成果:
- 13.5%的患者患有急性脑损伤 (ABI).
- 机器学习模型实现了0.79的最佳AUROC,准确率为87%,特异性为99%.
- 发现的关键预测因素包括最小缩血压和ECMO脉冲压变化.
结论:
- 高分辨率的颗粒数据显著提高了在VA-ECMO患者中预测ABI的ML模型性能.
- 开发的ML模型显示了早期ABI检测的前景,使及时干预成为可能.
- 未来的研究应该专注于整合连续数据平台,以实时监控和个性化患者护理.
