用机器学习每8小时预测重症监护病人的妄想:模型开发和评估
Kei Imai1, Takeshi Unoki2, Naoto Takahashi3
1Department of Acute and Critical Care Nursing, Graduate School of Nursing, Sapporo City University, Sapporo, Hokkaido, Japan; Kin-ikyo Chuo Hospital, Sapporo, Hokkaido, Japan.
概括
一个机器学习模型可以使用常规护理数据预测重症监护室 (ICU) 的妄想. 这个工具可以帮助护士识别有风险的患者,以便及时提供预防性护理.
科学领域:
- 关键护理医学 关键护理医学
- 医疗保健中的人工智能
- 护理信息学 护理信息学
背景情况:
- 在重症监护室 (ICU) 的 Delirium 与患者不良结果有关.
- 预测ICU痴呆风险对医疗保健提供者来说仍然是一个挑战.
- 早期识别对于实施及时干预至关重要.
研究的目的:
- 开发和评估一种机器学习 (ML) 模型,用于预测ICU患者 Delirium 的发生.
- 通过使用例行收集的数据来识别妄预测的关键变量.
- 为了防止妄想,使积极的护理干预成为可能.
主要方法:
- 从混合ICU的电子医疗记录的回顾性分析.
- 包括2023年1月至12月期间入院的成年患者,ICU停留时间>24小时.
- 使用XGBoost,LightGBM,CatBoost和随机森林算法开发预测模型.
- 通过重症监护室的 Delirium Screening 检查清单得分定义的 Delirium ≥4.4.
主要成果:
- 这项研究包括273名患者;62.3%的患者经历过妄想.
- CatBoost模型实现了0.886的曲线下面积 (AUC),具有高精度 (0.804) 和准确性 (0.816).
- 常规收集的护理变量,包括重症监护 Delirium 查清单和格拉斯哥昏迷量表得分,是显著的预测因素.
结论:
- 开发的ML模型对识别ICU Delirium风险较高的患者显示出希望.
- 该模型使用易于使用的护理变量,促进实际的临床应用.
- 建议对更大,更多样化的群体进行进一步验证,以指导护理干预和优化患者护理.
