对重症监护室风险预测的分层因果推理:麻醉药物组合的基于计算机的建模
Junqi Cui1, Weijia Li2, Enoch Chi Ngai Lim3
1School of Health Sciences, University of New South Wales, Kensington, Australia.
优化芬太尼和普罗波麻醉可以减少重症监护室 (ICU) 的入院. 机器学习识别了精确麻醉的患者子组和最佳剂量范围,改善了患者的治疗结果并降低了医疗保健成本.
科学领域:
- 麻醉学 麻醉学
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 术后重症监护室 (ICU) 的入院影响了15-20%的手术患者,增加了病率和医疗费用.
- 目前的麻醉剂量依赖于经验指南,缺乏个性化风险评估.
- 芬太尼-醇组合是常用的,但它们与ICU入院风险的剂量反应关系是复杂的.
研究的目的:
- 开发和评估一个分层的,因果机器学习框架,用于识别最佳的芬太尼-醇组合.
- 使用电子健康记录 (EHR) 数据预测术后ICU入院风险.
- 为了实现精确麻醉和个性化的临床决策支持.
主要方法:
- 来自加州大学欧文医疗中心 (2017-2022) 的67,134个外科手术期间的EHR的分析.
- 利用分层学习框架来估计因果关系和控制混变量.
- 通过分层分析确定了6个剂量敏感的患者亚组,以术后ICU入院为主要终点.
主要成果:
- 高风险芬太尼 (>5毫克/公斤) 和普罗波 (<1毫克/公斤) 组合增加了36%的ICU入院风险.
- 六个患者小组表现出明显的剂量反应模式.
- 易受伤害的人群 (高葡萄糖,高肌素) 即使在标准剂量中也会增加风险.
- 确定了最佳剂量范围:普罗波1.25-4.25毫克/公斤和芬太尼3.5-4.0毫克/公斤.
结论:
- 芬太尼-醇组合具有复杂的,非线性剂量-反应关系与ICU入院风险.
- 高剂量组合协同增加风险;特定子组需要加强监测.
- 这些发现支持个性化剂量算法和风险评估工具,以减少术后ICU利用率,等待外部验证.
更多相关视频
09:36Halogenated Agent Delivery in Porcine Model of Acute Respiratory Distress Syndrome via an Intensive Care Unit Type Device
Published on: September 24, 2020
07:31Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020
相关概念视频
Impact of Pharmacokinetic–Pharmacodynamic Models: Regulatory Decisions
Mechanistic Models: Overview of Compartment Models
Inhalational Anesthetics: Overview
Model-Independent Approaches for Pharmacokinetic Data: Noncompartmental Analysis
One important characteristic of noncompartmental analyses is that drug exposure increases proportionally with increasing doses. This...
Pharmacodynamic Models: Additive and Proportional Drug Effect Model
Pharmacokinetic Models: Comparison and Selection Criterion
Physiological models take a detailed approach by considering specific molecular processes. They can predict drug distribution, metabolism, and elimination changes, providing a comprehensive understanding of how drugs interact with the body.
