在孟加拉国使用可穿戴设备数据和机器学习预测儿童败血症和死亡率

科学领域:

• 生物医学工程 生物医学工程
• 人工智能在医学中的应用
• 儿科重症监护 儿科重症监护

背景情况:

• 败血症对儿童构成重大威胁,特别是在资源有限的地区,那里没有先进的诊断工具.
• 目前的败血症诊断,如星败血症评分 (PSS),严重依赖于实验室测试,阻碍了在资源不足的情况下及时诊断.

研究的目的:

• 评估来自低成本可穿戴生物传感器和机器学习 (ML) 模型的连续生理数据在预测儿科败血症,败血性休克和死亡率方面的有效性.
• 评估这些技术作为资源有限的重症监护病房 (ICU) 传统诊断方法的可行替代品的潜力.

主要方法:

• 一项前性观察性研究,涉及孟加拉国达卡的96名儿科重症监护室患者,疑似患有败血症.
• 通过可穿戴生物传感器贴片收集的生理数据;使用临床检查,实验室测试和PSS标准确定了败血症,败血性休克和死亡率.
• 最小绝对收缩和选择运营商 (LASSO) 回归模型开发和验证使用生物传感器数据的离开一个组的交叉验证 (LOGO-CV).

主要成果:

• 仅使用生物传感器的ML模型实现了接受器操作特征曲线 (AUROC) 下的面积为0.78,用于败血症预测.
• 模型表现出强大的预测能力,用于性休克 (AUROC = 0.85) 和死亡率 (AUROC = 0.87).
• 包括手动氧和 (SpO2) 改善了败血症预测AUROC的0.89,突出结合数据的价值.

结论:

• 可穿戴生物传感器与ML模型相结合,显示出在低资源环境中预测儿科败血症,败血症休克和死亡率的巨大潜力.
• 这种方法可以支持临床决策,而无需依赖广泛的实验室基础设施.
• 建议进行进一步的外部验证和与移动健康 (mHealth) 集成,以实现现实世界的临床应用.