对比监督机器学习算法,用于预测骨切割过程中的部分动脉氧气压
Andrea S Gutmann1,2, Maximilian M Mandl3,4, Clemens Rieder1
1Department of Anaesthesiology, LMU University Hospital, LMU Munich, Munich, Germany.
机器学习模型可以使用常规数据预测神经外科患者的动脉部分氧气压 (paO2). 通过整合第一个测量的paO2/FiO2比率,可以实现持续的paO2监测,从而改善患者的护理.
科学领域:
- 麻醉学和重症监护医学
- 生物医学工程
- 在医疗保健中的机器学习
背景情况:
- 大脑组织的氧化非常重要,
- 目前估计氧化的方法依赖于非侵入性代理或间歇性测量.
- 对于神经外科患者来说, 精确,持续的氧化监测至关重要.
研究的目的:
- 使用机器学习评估持续性动脉部分氧气压 (paO2) 预测的可行性.
- 评估现代机器学习算法在神经外科患者的手术内paO2估计的有效性.
- 探索骨切割过程中的实时氧化监测方法.
主要方法:
- 使用常规临床数据从肺部健康的神经外科患者进行骨切割.
- 使用递归特征消除来识别paO2的关键预测因素.
- 训练并比较了六个机器学习回归算法和一个多变量线性回归模型.
- 使用MAPE,调整R2,RMSE和Spearman的 ρ等指标评估算法性能.
主要成果:
- 分析了4,581名患者 (17,821个观察) 的数据.
- 一个具有随机梯度下降的规律化线性模型实现了高预测准确性 (调整R2=0.77,斯皮尔曼的 ρ=0.83).
- 通过结合初始paO2/FiO2 (p/F) 比率来提高性能,从而实现准连续监测.
结论:
- 通过神经外科患者的术后数据可可靠地预测动脉部分氧气压 (paO2).
- 在血液气体分析之前,机器学习模型为估计paO2提供了可行的替代方案.
- 整合p/F比提高了预测准确度,促进了持续的氧化监测.
更多相关视频
11:26Assessing Cerebral Autoregulation via Oscillatory Lower Body Negative Pressure and Projection Pursuit Regression
Published on: December 10, 2014
07:51Standardized Hemorrhagic Shock Induction Guided by Cerebral Oximetry and Extended Hemodynamic Monitoring in Pigs
Published on: May 21, 2019
相关概念视频
Assessment of blood pressure in brachial artery(one-step method)
Prepare for the Procedure:
Assessment of blood pressure in brachial artery(two-step method)
Assessing Blood pressure using a doppler ultrasound
Pre-Procedural Guidelines for Doppler Ultrasound Blood Pressure Assessment:
Preparation of Equipment:
Pre-Procedural Guidelines for Assessing Blood Pressure
Measurement of Blood Pressure
Pulse Oximetry
Purpose
Average SpO2 values are greater than 95%. If the readings fall below 90%, it indicates that...
