相关实验视频
Updated: Jul 3, 2026
06:26
Pre-clinical Model of Cardiac Donation after Circulatory Death
Published on: August 2, 2019
8.1K
儿童终端输出管后一小时死亡:在多中心队列中,在停止维持生命治疗后预测心脏病死亡的机器学习模型的验证,2009-2021年
Meredith C Winter1,2, Alice X Zhou1,3, Eugene Laksana1,3
1Department of Anesthesiology and Critical Care Medicine, Children's Hospital Los Angeles, Los Angeles, CA.
概括
一个机器学习模型准确地预测了儿童终端输出管 (TE) 在1小时内死亡的情况. 该工具有助于在儿科重症监护室 (PICU) 进行终身护理和器官捐献决策.
科学领域:
- 儿科重症监护医药 儿科重症监护医药
- 机器学习在医疗保健中的应用.
- 生物医学信息学是生物医学信息学.
背景情况:
- 在儿科重症监护室 (PICU) 预测终端输出管 (TE) 后的死亡率对于家庭支持和器官捐献至关重要.
- 识别临近死亡高风险的患者有助于终身护理和资源分配.
研究的目的:
- 开发和验证一种机器学习模型,用于预测儿科患者TE后一小时内死亡.
- 支持PICU的临床决策,在循环死亡确定 (DCDD) 后提供家庭咨询和器官捐赠.
主要方法:
- 利用了多中心的回顾性死亡一个小时后终端输出管 (DONATE) 数据库 (2009-2021).
- 收集的数据包括人口统计,临床特征,生命体征,实验室,呼吸器设置,药物和程序.
- 在10个美国PICU的数据上训练并验证了外树机器学习模型,其中包括957名接受TE的儿科患者 (0-21岁).
主要成果:
- 一个21个特征的节的额外树木模型实现了接收器操作特征曲线下的面积为0.84 (95% CI,0.81-0.87).
- 在90%的灵敏度下,该模型显示了88%的正预测值 (PPV) 和70%的负预测值 (NPV),用于预测1小时内死亡.
- 对于潜在的器官捐献者,PPV为86%,NPV为74%,灵敏度为90%.
结论:
- 开发的机器学习模型准确地预测了TE在1小时内发生的儿科死亡,具有高的歧视性和低的错误报警率.
- 这种经过验证的模型为改善终身辅导和优化器官捐献机构资源使用提供了显著的潜力.
