符合性意识的预测过程监测用于早期检测败血症恶化,使用不完整的护理途径

科学领域:

• 医疗保健信息学 医疗保健信息学
• 临床决策支持系统 临床决策支持系统
• 过程采矿采矿采矿

背景情况:

• 败血症是一种具有高死亡率的严重疾病,通常是由于检测延迟和治疗变化的原因.
• 目前对败血症风险的预测模型缺乏时间和过程相关因素,忽视了护理途径的低效性.
• 败血症恶化的早期预测需要结合标准护理协议的偏差.

研究的目的:

• 提出一个符合意识的预测过程监测 (CAPPM) 框架,用于早期检测败血症恶化.
• 利用不完整的护理途径来提高预测准确度.
• 将过程挖掘技术与机器学习相结合,以加强临床决策支持.

主要方法:

• 从败血症病例事件日志中发现了参考护理途径.
• 从正在进行的患者病例中设计了基于时间,行为和符合性的特征.
• 使用这些功能培训和评估监督学习模型 (自适应增强,梯度增强),通过AUROC评估绩效.

主要成果:

• 包含符合性和路径特征的模型优于仅使用传统属性的模型.
• 适应式增强实现了0.744的AUROC,梯度增强实现了0.731.
• 这些结果表明,对败血症恶化的早期检测能力有所提高.

结论:

• 患者护理途径的早期偏差和时间进展是败血症恶化的重要预测因素.
• 过程挖掘和机器学习的整合为积极的临床干预提供了一个强大的方法.
• 在CAPPM框架显示时间关键临床决策支持在败血症管理的承诺.