在早期ICU入院期间预测ICU后功能障碍 使用现实世界的电子健康记录数据

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
• 康复科学 康复科学 康复科学

背景情况:

• 重症监护室 (ICU) 的幸存者经常在出院后出现新的或恶化的功能障碍.
• 早期识别有风险的患者可以促进及时的预防性干预.
• 电子健康记录 (EHR) 中的高维护数据可以增强风险预测模型.

研究的目的:

• 开发和验证使用早期ICU入院EHR数据在医院出院时功能障碍的预测模型.
• 通过机器学习和可解释性技术,识别功能障碍的关键预测因素.
• 根据最关键的预测因素评估精简模型的性能.

主要方法:

• 追溯分析799名败血症幸存者在ICU入院后的前48小时的EHR数据.
• 使用CTAB-GAN进行数据合成,以解决有限的现实世界EHR数据.
• 开发并验证了极端梯度增强 (XGBoost) 模型,采用SHapley添加式扩展 (SHAP) 来确定特征的重要性.

主要成果:

• 结合患者特征和护理评估的模型准确地预测了功能障碍 (急性后护理活动测量 (AMPAC) 分数<18).
• 关键预测因素包括初始AMPAC分数,年龄,运动能力,布拉登尺度,行走装置,BMI和SOFA分数.
• 使用顶级预测器的简化模型实现了高预测准确性 (24小时和48小时AUC为0.83).

结论:

• 早期的ICU入院数据,包括护理评估,可以有效地识别高风险的患者,在离院后功能障碍.
• 开发的模型显示了将其集成到临床决策支持的EHR系统中的潜力.
• 简化预测模型提供了一种实用和有效的方法,通过启用早期干预来改善患者的结果.