點擊“藍字”關注，更多精彩內容!

背景 急性低血壓發作(AHE)，定義為平均動脈壓下降至<65mmHg且至少持續5分鐘，是重癥監護病房(ICU)最嚴重的不良事件，往往導致重癥病人的不良預后。因此，通過預測盡早調整治療或縮短AHE將非常有意義。

方法 超級學習者(SL)算法是一種集成的機器學習算法，通過專門訓練，可以提前10分鐘預測AHE。潛在的預測因素包括年齡、性別、護理單位類型、嚴重程度評分和隨時間變化的特征(如機械通氣、升壓藥或鎮靜藥物)，以及提取的生命體征：心率、脈搏血氧濃度和動脈血壓。該算法利用重癥監護醫療信息數據集(MIMICⅡ)數據庫進行訓練。內部驗證是基于接收器運行的特征性曲線下面積(AUROC)和Brier 分數(BS)。外部驗證是使用來自法國巴黎拉里布瓦西埃醫院的外部數據集進行的。

結果 在1151例患者中，有826例(72%)患者在ICU住院期間至少發生過1次AHE。每例患者1個隨機周期，采用Haar小波變換預處理的SL算法，AUROC為0.929(95%可信區間[CI]，0.899-0.958)，BS為0.08。使用每例患者的所有可用周期，采用Haar小波變換預處理的SL算法，AUROC為0.890(95%CI，0.886 - 0.895)，BS為0.11。在外部驗證隊列中，每個患者1個隨機周期，AUROC為0.884(95%CI，0.775-0.993)，每例患者的所有可用周期，AUROC為0.889(0.768-1)，BS均<0.1。

結論 SL算法對于提前10分鐘預測AHE表現出良好的性能。它能對低血壓的風險進行有效、穩健和快速的評估，為今后常規應用SL算法開辟了道路。

入ICU后的前90分鐘時間被分為3個連續的時間窗，分別是60，10和20分鐘(圖1)。利用前60分鐘的數據記錄，在最后20分鐘(稱為“預測窗”)中預測AHE。前60分鐘的窗口被指定為“觀察窗”。AHE預測在調整治療方面發揮作用。在“觀察窗”和“預測窗”之間插入一個10分鐘或更長時間的“間隙窗”。使用“觀察窗”的數據來預測在“預測窗”期間的結果。

圖1學習期的定義。T0：當前時間；[T?60至T0]：時間觀察窗口(60分鐘)；[T0-T10]：醫生確定適當治療的間隙(10分鐘)；[T10-T30]：AHE的預測時間間隔(20分鐘)。AHE,急性低血壓發作；ICU，重癥監護室；MAP，平均動脈壓；SAPSⅡ，簡化急性生理學評分Ⅱ；SOFA，序貫器官衰竭評估。

共1151名來自MIMICⅡ的患者被納入研究(圖2)，表1概述了它們的基本特征，其中826名(63%)在ICU期間至少發生1次AHE。55名來自拉里布瓦西埃隊列的患者(圖2 )，表2概述了它們的基本特征，其中8例(15%)患者在住院期間至少發生過1次AHE。對于所有的預測任務，SL算法優于其他候選算法。

圖2數據來源流程圖。AHE提示急性低血壓發作。

連續變量表示為中位數[四分位數范圍]；二進制或分類變量表示計數(%)。

縮寫：AHE，急性降壓發作；BMI，體重指數；CCU，心臟監護病房；CSRU，心臟手術恢復病房；MICU，醫療重癥監護病房；MIMICⅡ，重癥監護數據集醫療信息集；SAPSⅡ評分：簡化急性生理學評分Ⅱ；SICU，外科重癥監護病房；SOFA，序貫器官衰竭評估。

連續變量表示為中位數[四分位數范圍]；二進制或分類變量表示計數(%)。

討論

本研究的目的是建立一個臨床相關的AHE預測算法，并比較幾種統計方法，包括標準回歸策略和SL。在內部和外部評估時，SL似乎優于其庫中包含的每種算法，特別是表現出更好的校準，如較低的BS、良好的敏感性和特異性。

在不久的將來，AHE預測可以產生重要的臨床影響。到目前為止，大多數用于危重護理的預測算法都側重于預測死亡率。我們認為，能夠預測與死亡率有強烈因果關系的中間結果，并采取適當的治療措施進行干預更具有臨床意義。

我們的研究存在一些局限性。首先，選擇數據完整的患者而排除了病情不嚴重的患者，可能會導致監測不充分，影響我們的結果。但我們調整了模型嚴重程度評分的基線(SOFA，SAPSⅡ)。其次，拉里布瓦西埃隊列僅包括外科ICU患者，而在MIMICⅡ中，外科ICU患者僅占人口的30%。拉里布瓦西埃隊列可以被認為是一個真正的外部驗證隊列，因為它來自不同的區域，包括不同類型的患者。然而，我們的結果仍然需要在一個更大的擁有更加危重病人的數據集中得到證實。盡管提前10分鐘預測低血壓可能足以進行干預治療，但在某些情況下可能是不夠的。目前已經證明我們的算法可以提前30分鐘預測AHE的發生。最后，擴展SL庫也將進一步提高預測性能。

利用在線超級學習者實時學習、預測低血壓是我們未來研究的一個主要方向。事實上，直接將我們的算法應用于滑動窗口會影響結果，增加假陽性率。因此，未來的研究必須實現大數據的整合，同時也要關注每個患者的特異性。

結論

在危重病人中，對多參數數據進行分析的SL算法能夠提前30分鐘識別AHE。雖然該算法還需要進一步的驗證，但目前的結果支持臨床醫生在未來使用這種預測算法及時預測并預防ICU病人的低血壓。

述評

急性低血壓是發生在圍術期和ICU最為常見的不良事件，往往導致嚴重并發癥。如若及時發現并及時處理，可極大降低急性低血壓事件的死亡率。該文作者利用公開自由獲取的ICU數據庫，從中提取諸多生命體征如心率, 脈搏，SpO?，有創血壓等，并進行整合和分析，訓練超級學習機器深度算法，可提前至少10分鐘預測急性低血壓的發生，有助于指導實施預防措施，改善患者不良結局。機器學習有其特有的局限性，包括需要較為龐大精準的數據庫，需要根據參數和方法隨時調整，以及訓練時間的長短都可能影響預測結果的判斷。因此，還需更多的研究學習算法，使其趨于完美。如若該技術應用于臨床，不僅可以成為醫護人員的透視眼，更能極大降低因醫護疲憊監測不到位的低血壓發作，及時有效介入治療。人工智能無疑將成為我們未來生活的一部分，基于人工智能的醫學技術也正在迅速發展，但現實世界的臨床實施或許還有一段踏實的路需要認真的走。

編譯：謝莉；述評：李麗

掃碼關注我們

總結

以上是生活随笔為你收集整理的#时间预测算法_基于超级学习者机器学习算法预测ICU患者急性低血压发作的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。