在儿科重症监护病房 (PicEWS) 预测心血管恶化:对例行收集的医疗保健数据进行机器学习建模研究

科学领域:

• 关键护理医学 关键护理医学
• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学

背景情况:

• 儿科重症监护依赖于复杂的数据来做出高风险的决策,通常是通过解释纵向和微妙的生命体征变化而受到挑战.
• 机器学习 (ML) 提供了提高患者病情恶化识别的潜力,但之前的工作往往缺乏时间序列数据或年龄正常化.
• 现有的ML模型主要侧重于死亡率预测,错过了识别心血管衰退等可治疗的临床拐点的机会.

研究的目的:

• 开发和验证基于ML的早期预警分数 (PicEWS) 以预测儿科重症监护室 (PICU) 中心血管恶化的情况.
• 为了将ML模型的性能与已建立的儿科序列器官衰竭评估 (pSOFA) 评分进行比较.
• 确定关键的临床变量和数据特征 (如趋势,变异性) 对于早期发现危急疾病至关重要.

主要方法:

• 从1167名PICU患者中提取了电子健康记录 (EHR) 数据 (遥测,实验室,人口统计数据).
• 使用可通用管道设计的特征,包括趋势,变化和年龄规范化.
• 比较XGBoost,神经网络和后勤回归来预测12小时内心血管恶化,使用pSOFA,乳酸盐,ECMO或死亡来定义结果.

主要成果:

• XGBoost实现了最高的性能,开发的PicEWS预测了心血管恶化90%的时间,低误报率 (AUPRC=0.552,AUROC=0.949).
• PicEWS的表现明显优于pSOFA (AUPRC=0.150,AUROC=0.715),其中每一个真实报警有超过10个虚假报警.
• 关键预测因素包括血压,胆红素,COMFORT评分,最重要的是,随着时间的推移,特征的变化.

结论:

• 与当前的临床标准相比,开发的PicEWS在预测心血管恶化方面表现优异.
• 该研究强调了使用年龄分层数据和特征变异性的ML模型的临床适用性,用于早期检测儿童的严重疾病.
• 这种方法为改善儿科重症监护中的临床实践和患者结果提供了有价值的决策支持工具.