早期检测ICU获得的感染使用高频电子健康记录数据

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
• 医疗保健中的机器学习

背景情况:

• 鼻腔感染是重症监护室 (ICU) 患者发病率和死亡率的重要原因.
• 在ICU获得的感染 (ICU-AI) 的早期检测对于及时的临床管理和改善患者结果至关重要.
• 开发了一个动态预测模型,以主动估计感染风险.

研究的目的:

• 开发和评估ICU获得感染的动态预测模型.
• 利用高频纵向数据进行早期风险估计.
• 评估机器学习模型在预测感染风险方面的表现.

主要方法:

• 利用了混合三级ICU (MARS队列,2011-2018年) 成年患者的电子健康记录数据.
• 采用了考克斯基准模型,通过卷积神经网络 (CNN) 处理的高分辨率生命体征数据.
• 预期判断所有传染病发作以确定ICU-AI风险.

主要成果:

• 在4444名患者中分析了32178天的观察日,确定了1197例感染 (每日ICU风险为3.5%).
• 从生命体征中获得的CNN风险评分是ICU-AI的强有力的预测指标,尽管它没有实质性地改变整体风险预测.
• 模型歧视表现中等 (c指数0.64-0.72),对ICU-AI风险有所高估.

结论:

• 使用机器学习对高频生命体征进行动态建模方法,显示出作为连续床边感染风险指数的潜力.
• 需要进一步验证,以平衡深度学习模型的复杂性和可解释性及其临床决策支持益处.
• 这种方法可能有助于更早地识别ICU获得的感染,从而有可能改善患者管理.