#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

点击“蓝字”关注，更多精彩内容!

背景 急性低血压发作(AHE)，定义为平均动脉压下降至<65mmHg且至少持续5分钟，是重症监护病房(ICU)最严重的不良事件，往往导致重症病人的不良预后。因此，通过预测尽早调整治疗或缩短AHE将非常有意义。

方法 超级学习者(SL)算法是一种集成的机器学习算法，通过专门训练，可以提前10分钟预测AHE。潜在的预测因素包括年龄、性别、护理单位类型、严重程度评分和随时间变化的特征(如机械通气、升压药或镇静药物)，以及提取的生命体征：心率、脉搏血氧浓度和动脉血压。该算法利用重症监护医疗信息数据集(MIMICⅡ)数据库进行训练。内部验证是基于接收器运行的特征性曲线下面积(AUROC)和Brier 分数(BS)。外部验证是使用来自法国巴黎拉里布瓦西埃医院的外部数据集进行的。

结果 在1151例患者中，有826例(72%)患者在ICU住院期间至少发生过1次AHE。每例患者1个随机周期，采用Haar小波变换预处理的SL算法，AUROC为0.929(95%可信区间[CI]，0.899-0.958)，BS为0.08。使用每例患者的所有可用周期，采用Haar小波变换预处理的SL算法，AUROC为0.890(95%CI，0.886 - 0.895)，BS为0.11。在外部验证队列中，每个患者1个随机周期，AUROC为0.884(95%CI，0.775-0.993)，每例患者的所有可用周期，AUROC为0.889(0.768-1)，BS均<0.1。

结论 SL算法对于提前10分钟预测AHE表现出良好的性能。它能对低血压的风险进行有效、稳健和快速的评估，为今后常规应用SL算法开辟了道路。

入ICU后的前90分钟时间被分为3个连续的时间窗，分别是60，10和20分钟(图1)。利用前60分钟的数据记录，在最后20分钟(称为“预测窗”)中预测AHE。前60分钟的窗口被指定为“观察窗”。AHE预测在调整治疗方面发挥作用。在“观察窗”和“预测窗”之间插入一个10分钟或更长时间的“间隙窗”。使用“观察窗”的数据来预测在“预测窗”期间的结果。

图1学习期的定义。T0：当前时间；[T−60至T0]：时间观察窗口(60分钟)；[T0-T10]：医生确定适当治疗的间隙(10分钟)；[T10-T30]：AHE的预测时间间隔(20分钟)。AHE,急性低血压发作；ICU，重症监护室；MAP，平均动脉压；SAPSⅡ，简化急性生理学评分Ⅱ；SOFA，序贯器官衰竭评估。

共1151名来自MIMICⅡ的患者被纳入研究(图2)，表1概述了它们的基本特征，其中826名(63%)在ICU期间至少发生1次AHE。55名来自拉里布瓦西埃队列的患者(图2 )，表2概述了它们的基本特征，其中8例(15%)患者在住院期间至少发生过1次AHE。对于所有的预测任务，SL算法优于其他候选算法。

图2数据来源流程图。AHE提示急性低血压发作。

连续变量表示为中位数[四分位数范围]；二进制或分类变量表示计数(%)。

缩写：AHE，急性降压发作；BMI，体重指数；CCU，心脏监护病房；CSRU，心脏手术恢复病房；MICU，医疗重症监护病房；MIMICⅡ，重症监护数据集医疗信息集；SAPSⅡ评分：简化急性生理学评分Ⅱ；SICU，外科重症监护病房；SOFA，序贯器官衰竭评估。

连续变量表示为中位数[四分位数范围]；二进制或分类变量表示计数(%)。

讨论

本研究的目的是建立一个临床相关的AHE预测算法，并比较几种统计方法，包括标准回归策略和SL。在内部和外部评估时，SL似乎优于其库中包含的每种算法，特别是表现出更好的校准，如较低的BS、良好的敏感性和特异性。

在不久的将来，AHE预测可以产生重要的临床影响。到目前为止，大多数用于危重护理的预测算法都侧重于预测死亡率。我们认为，能够预测与死亡率有强烈因果关系的中间结果，并采取适当的治疗措施进行干预更具有临床意义。

我们的研究存在一些局限性。首先，选择数据完整的患者而排除了病情不严重的患者，可能会导致监测不充分，影响我们的结果。但我们调整了模型严重程度评分的基线(SOFA，SAPSⅡ)。其次，拉里布瓦西埃队列仅包括外科ICU患者，而在MIMICⅡ中，外科ICU患者仅占人口的30%。拉里布瓦西埃队列可以被认为是一个真正的外部验证队列，因为它来自不同的区域，包括不同类型的患者。然而，我们的结果仍然需要在一个更大的拥有更加危重病人的数据集中得到证实。尽管提前10分钟预测低血压可能足以进行干预治疗，但在某些情况下可能是不够的。目前已经证明我们的算法可以提前30分钟预测AHE的发生。最后，扩展SL库也将进一步提高预测性能。

利用在线超级学习者实时学习、预测低血压是我们未来研究的一个主要方向。事实上，直接将我们的算法应用于滑动窗口会影响结果，增加假阳性率。因此，未来的研究必须实现大数据的整合，同时也要关注每个患者的特异性。

结论

在危重病人中，对多参数数据进行分析的SL算法能够提前30分钟识别AHE。虽然该算法还需要进一步的验证，但目前的结果支持临床医生在未来使用这种预测算法及时预测并预防ICU病人的低血压。

述评

急性低血压是发生在围术期和ICU最为常见的不良事件，往往导致严重并发症。如若及时发现并及时处理，可极大降低急性低血压事件的死亡率。该文作者利用公开自由获取的ICU数据库，从中提取诸多生命体征如心率, 脉搏，SpO₂，有创血压等，并进行整合和分析，训练超级学习机器深度算法，可提前至少10分钟预测急性低血压的发生，有助于指导实施预防措施，改善患者不良结局。机器学习有其特有的局限性，包括需要较为庞大精准的数据库，需要根据参数和方法随时调整，以及训练时间的长短都可能影响预测结果的判断。因此，还需更多的研究学习算法，使其趋于完美。如若该技术应用于临床，不仅可以成为医护人员的透视眼，更能极大降低因医护疲惫监测不到位的低血压发作，及时有效介入治疗。人工智能无疑将成为我们未来生活的一部分，基于人工智能的医学技术也正在迅速发展，但现实世界的临床实施或许还有一段踏实的路需要认真的走。

编译：谢莉；述评：李丽

扫码关注我们

总结

以上是生活随笔为你收集整理的#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内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。