探索可解释的机器学习技术,以帮助识别功能障碍风险:可行性研究
Melanie L McIntyre1, Yuxi Liu2, Joanne Murray3
1Swallowing Neurorehabilitation Research Lab, Caring Futures Institute, College of Nursing and Health Sciences, Flinders University, GPO Box 2100, Adelaide, SA, 5001, Australia; Bendigo Health, Department of Speech Pathology, GPO Box 126, Bendigo, VIC, 3552, Australia.
概括
机器学习可以识别需要机械通风的重症监护室 (ICU) 患者的吞障碍 (吞困难) 风险. 关键因素包括通风持续时间,年龄和入院类型,使个性化风险评估成为可能.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 临床决策支持 临床决策支持
背景情况:
- 机器学习 (ML) 为在广泛的医疗保健数据集中识别复杂的风险模式提供了先进的功能.
- 本研究调查了应用ML技术的可行性和概念验证,以确定需要内管道输入治疗的重症监护病房 (ICU) 患者的缺食症风险.
研究的目的:
- 探索开发ML模型的方法可行性,以识别功能障碍风险.
- 为了建立一个ML驱动的食障碍风险评估的概念验证在严重病情的成年患者.
主要方法:
- 一个连接两个大型医疗保健数据库的队列研究,使用决定性逻辑.
- 探索各种ML模型的候选者来预测缺食症风险.
- 利用夏普利添加式解释 (SHAP) 值来解释模型决策.
主要成果:
- 包括来自42个地点的59,811名患者,他们在ICU接受了侵入性机械通风.
- 确定了导致失调的五大风险因素:机械通风的持续时间,年龄,心脏入院,神经入院和APACHE III评分.
- 证明了ML能够识别复杂的风险概况的能力.
结论:
- 在ICU中,ML对动态的,个性化的失风险查显著有前途.
- 建议未来临床整合ML模型,以更准确的患者特异性风险评估.
- 强调需要超越队列手段,进行个性化风险因素分析.
