预测脓毒性休克患儿对血管活性药物的个体反应
医学物理
2019-01-30 v1 机器学习
应用统计
机器学习
摘要
目的：通过使用 EMR 数据训练循环神经网络(RNN)预测脓毒性休克患儿对血管活性药物滴定的个体化生理反应。材料与方法：本研究回顾性分析 2009 至 2017 年入住儿科 ICU 患者的 EMR。数据包括接受多巴胺、肾上腺素或去甲肾上腺素治疗的脓毒性休克患儿的图表化时间序列生命体征、检验、药物与干预。训练一个 RNN 以预测在 652 次脓毒发作期间 8,640 次滴定对心率(HR)、收缩压(SBP)、舒张压(DBP)和平均动脉压(MAP)的反应，并在 254 次发作期间 3,883 次滴定的留出集上评估。还开发了一个仅以滴定数据作为输入的线性回归模型，并与 RNN 模型比较。评估方法包括实际生理反应与 RNN 预测间的相关系数、平均绝对误差(MAE)和受试者工作特征曲线下面积(AUC)。结果：实际生理反应显示显著变异性，且由 RNN 模型比仅由滴定更准确预测(r=0.20 对比 r=0.05，p<0.01)。RNN 在 MAE 和 AUC 上较线性模型有改善。RNN 与多巴胺和肾上腺素相关的 HR、SBP、DBP 和 MAP 的 MAE 比线性回归模型 MAE 低 1-3%。在所有生命体征血管活性药物中，RNN 较线性模型实现 1-19% 的 AUC 提升。结论：这项在儿科重症监护中预测脓毒性休克患儿对血管活性药物剂量变化个体生理反应的初步尝试表明，RNN 模型较线性模型有一定改善。虽尚不能临床适用，进一步发展或可辅助脓毒性休克患儿血管活性药物的临床给药。
引用
@article{arxiv.1901.10400,
title = {Predicting Individual Responses to Vasoactive Medications in Children with Septic Shock},
author = {Nicole Fronda and Jessica Asencio and Cameron Carlin and David Ledbetter and Melissa Aczon and Randall Wetzel and Barry Markovitz},
journal= {arXiv preprint arXiv:1901.10400},
year = {2019}
}