通过使用多任务学习预测危急病患者的不复苏决策:MIMIC-IV数据库的回顾性研究

科学领域:

• 医疗信息学 医疗信息学
• 人工智能在医学中的应用
• 临界护理医学 临界护理医学

背景情况:

• 准确预测不复苏 (DNR) 状态对于道德终身护理和重症监护室 (ICU) 的共享决策至关重要.
• 现有的方法可能缺乏及时干预所需的精度和解释性.

研究的目的:

• 开发和验证一种可解释的多任务学习 (MTL) 模型,用于预测ICU患者24小时内DNR决策.
• 加强预测模型的整合到临床工作流程中,以支持终身护理讨论.

主要方法:

• 利用MIMIC-IV数据库,对7789名成人ICU患者进行MTL模型训练,住院时间>3天.
• 整合了72小时窗口内的临床参数和护理评估.
• 使用AUROC,校准图和决策曲线评估模型性能,并通过SHAP和PDP进行解释.

主要成果:

• 与单任务学习 (0.764) 相比,MTL模型实现了0.798的优异AUROC.
• 关键的预测特征包括口头表达能力,呼吸系统支持和肌肉力量.
• 除了极端呼吸需求和肌肉虚弱的子组,AUROC改善到0.827.

结论:

• 可以解释的MTL模型可以有效地预测重症患者的DNR决策.
• 该模型的可解释性有助于临床理解和信任.
• 这种方法证明了将人工智能驱动的见解整合到ICU护理中的可行性,以促进DNR讨论.