使用人口统计,临床和实验室入院数据预测重症COVID-19患者的ICU Delirium:一种机器学习方法

科学领域:

• 关键护理医学 关键护理医学
• 在医疗保健中的数据科学.
• 传染性疾病 传染性疾病

背景情况:

• 狂妄症是重症监护室 (ICU) 中常见的,诊断不足的问题,与患者的治疗结果更差有关.
• 由于其复杂的原因和可变的呈现,预测早期的妄想是具有挑战性的.
• 在ICU入院时识别高风险患者可以实现及时干预.

研究的目的:

• 评估机器学习模型,用于预测SARS-CoV-2感染的重症患者的妄想.
• 评估可解释模型对早期妄想风险分层的性能.

主要方法:

• 分析了426名重症SARS-CoV-2患者的前景队列.
• 五个机器学习模型 (逻辑回归,SVM,决策树,随机森林,天真贝叶斯) 通过使用112个特征进行了训练.
• 模型性能通过10倍交叉验证和通过信息获取进行特征选择来评估.

主要成果:

• 纯粹的贝叶斯模型表现出适度的预测能力 (AUC 0.717,准确率为65.3%).
• 确定的关键预测因素包括机械通风,二胺镇静,SARS-CoV-2诊断,ECMO,便秘和男性性别.
• 该模型为风险因素提供了很高的解释性.

结论:

• 可解释的机器学习模型可以有效地对重症COVID-19患者的妄想风险进行分层.
• 常规可用的ICU入院数据足以开发预测模型.
• 早期识别高风险患者可以指导有针对性的妄想管理策略.