重症监护病房患者危重程度的可计算表型
定量方法
2023-11-03 v2 机器学习
机器学习
摘要
持续监测与患者危重程度评估是重症监护病房(ICU)实践的关键环节，但二者均受限于医护人员的时间约束。此外，对临床轨迹的预测仍不精确。本研究的目的是：(1)利用电子健康记录中的自动化变量提取开发危重程度电子表型；(2)描述危重状态之间的转换以刻画ICU患者的临床轨迹。我们收集了来自佛罗里达大学健康中心(UFH)盖恩斯维尔(GNV)和杰克逊维尔(JAX)两家单中心、纵向电子健康记录数据集，涵盖51,372名成人ICU患者。我们开发了算法，以四小时间隔量化每次ICU入院的危重状态，并采用连续危重状态与k-means聚类方法识别危重表型。UFH GNV数据集中38,749名患者的51,073次入院，以及UFH JAX数据集中12,623名患者的22,219次入院，至少有一次ICU停留超过四小时。共识别出三种表型：持续稳定型、持续不稳定型，以及由不稳定向稳定转换型。对于稳定患者，约0.7%–1.7%会转为不稳定，0.02%–0.1%会死亡，1.2%–3.4%会出院，其余96%–97%在每四小时内保持ICU内稳定。对于不稳定患者，约6%–10%会转为稳定，0.4%–0.5%会死亡，其余89%–93%在接下来四小时内保持ICU内不稳定。我们开发了ICU住院期间每四小时患者危重状态的表型算法。该方法可能有助于开发预后与临床决策支持工具，以在升级医疗照护及患者价值观相关的共同决策过程中协助患者、照护者与医护人员。
引用
@article{arxiv.2005.05163,
title = {Computable Phenotypes of Patient Acuity in the Intensive Care Unit},
author = {Yuanfang Ren and Jeremy Balch and Kenneth L. Abbott and Tyler J. Loftus and Benjamin Shickel and Parisa Rashidi and Azra Bihorac and Tezcan Ozrazgat-Baslanti},
journal= {arXiv preprint arXiv:2005.05163},
year = {2023}
}