使用机器学习从例行收集的数据和生命体征变异性预测败血症患者的临床演变

科学领域:

• 关键护理医学 关键护理医学
• 生物医学信息学 生物医学信息学
• 生理监测 生理监测

背景情况:

• 败血症患者的临床演变是高度可变的,并且取决于患者.
• 现有的文献缺乏对败血病患者轨迹的全面分析.
• 预测败血症的临床恶化对于及时干预至关重要.

研究的目的:

• 开发机器学习模型来预测败血症患者的临床演变.
• 评估各种临床和生理特征的预测能力.
• 评估可变性指数与标准指标的附加值.

主要方法:

• 利用了来自HiRID数据库的重症监护室败血症患者的数据.
• 开发了一个时间序列分析管道,用于重症监护数据.
• 创建了心血管恶化和器官功能障碍的预测模型,使用标准指标和心率和血压的可变性指数 (例如,交叉相关性).

主要成果:

• 用最好的模型实现了0.9671的ROC曲线下的面积 (AUC).
• SOFA评分值和趋势是最重要的预测指标.
• 乳酸,液体平衡,治疗和血压值也为预测准确性做出了贡献.

结论:

• 机器学习模型结合生命体信号动态和交叉合可以预测败血症患者的临床演变.
• 可变性指数为对治疗的生理反应提供了额外的见解.
• 这种方法提供了更全面的了解败血症的进展和治疗疗效.