加强儿科监测中的临床决策:学习值警报模式,预测危急疾病
Christina Chiziwa1,2, Mphatso Kamndaya1, Patrick Phepa1
1Department of Mathematical Sciences, School of Science and Technology, Malawi University of Business and Applied Sciences, Blantyre 309070, Malawi.
Bioengineering (Basel, Switzerland)
|November 27, 2025
概括
这项研究使用机器学习在儿科患者的危急疾病之前确定了明显的警报模式. 随机森林模型准确地检测到这些模式,改善了临床恶化的早期检测.
科学领域:
- 生物医学工程 生物医学工程
- 医疗保健中的机器学习
- 临床数据分析 临床数据分析
背景情况:
- 患者监控器使用值警报来提醒护理人员潜在的患者病情恶化.
- 并非所有警报都需要立即干预,需要方法来区分关键事件.
- 早期识别临床恶化对于及时有效的医疗决策至关重要.
研究的目的:
- 应用模式识别技术来识别临界值警报信号模式,以预防严重疾病.
- 为了能够更快,更有效地检测临床恶化.
- 通过先进的报警分析来支持改善临床决策.
主要方法:
- 分析了马拉维774名儿科患者的二次数据.
- 在临界事件发生前8小时,对生命体征数据 (ECGRR,ECGHR,SPO2) 进行了时间分割的报警分析.
- 基于密度的应用程序与噪音的空间聚类 (DBSCAN) 和机器学习分类器 (随机森林,SVM,决策树) 用于识别报警模式.
主要成果:
- 分析了超过390万个值报警.
- 在死亡和败血症事件之前,ECGRR,ECGHR和SPO2警报中确定了明显的时间模式.
- 随机森林分类器在学习这些模式方面实现了93%的准确性,超过了SVM和决策树模型.
结论:
- 值报警数据分析揭示了与死亡和败血症相关的有价值的模式.
- 在关键事件之前,ECGRR,ECGHR和SPO2信号的明显模式通常是短暂的.
- 随机森林算法显示了基于警报模式的临床恶化早期检测的前景.
