目的 探讨重症监护病房(intensive care unit, ICU)脓毒症患者临床表型的识别与验证。方法 采用人工智能算法处理重症监护医学信息Ⅳ(Medical Information Mart for Intensive CareⅣ,MIMIC-Ⅳ)2.2数据库中脓毒症患者的临床数据,包括...
详细信息
目的 探讨重症监护病房(intensive care unit, ICU)脓毒症患者临床表型的识别与验证。方法 采用人工智能算法处理重症监护医学信息Ⅳ(Medical Information Mart for Intensive CareⅣ,MIMIC-Ⅳ)2.2数据库中脓毒症患者的临床数据,包括人口学特征、ICU首日实验室指标及治疗措施等89个临床特征,首先应用无监督机器学习算法(K均值聚类和层次聚类)进行表型识别,然后应用有监督机器学习算法(轻量级梯度增强机)进行表型预测,并结合机器学习可解释性算法SHAP识别重要特征;最后通过传统统计学方法,对各表型间的临床特征差异与临床结局差异进行验证。结果 在22 517例脓毒症患者中发现了3种临床特征及结局显著不同的临床表型。其中表型1患者的死亡风险最高(28 d死亡率为46.4%),以肾功能异常和疾病严重程度评分升高为主;表型3患者的死亡风险最低(28 d死亡率为11.2%),神经功能评分最佳。通过可解释性机器学习,识别出阴离子间隙、血尿素氮、肌酐、格拉斯哥昏迷量表评分、凝血酶原时间和序贯性器官功能衰竭评分6个特征(首日最差值)在表型识别(AUC≥0.89)和表型预后预测(AUC≥0.74)方面表现良好。在患者出ICU后28 d、60 d、90 d及1年内,表型3的死亡风险均最低(HR<1)。结论利用机器学习算法成功识别了3种具有不同临床特征及预后的脓毒症临床表型,并筛选出6个关键临床特征,预期将在脓毒症亚型分类及预后评估中发挥重要作用,有助于患者的个体化治疗。
目的分析心脏外科术后重症加强护理病房(intensive care unit,ICU)患者不同谵妄亚型的发生情况及危险因素。方法采用便利抽样的方法选取2021年3月至2022年3月中国医学科学院北京协和医院ICU收治的168例心脏外科术后患者,采用Richmond躁...
详细信息
目的分析心脏外科术后重症加强护理病房(intensive care unit,ICU)患者不同谵妄亚型的发生情况及危险因素。方法采用便利抽样的方法选取2021年3月至2022年3月中国医学科学院北京协和医院ICU收治的168例心脏外科术后患者,采用Richmond躁动-镇静评分(Richmond agitation-sedation scale,RASS)联合ICU患者意识模糊评估表(confusion assessment method for the intensive care unit,CAM-ICU)对患者的谵妄进行筛查并分型,并进一步分析患者的临床资料与谵妄亚型之间的关系。结果168例心脏外科术后患者谵妄发生率为45.2%,其中低活动型34例(44.7%)、混合型32例(42.1%)、高活动型10例(13.2%)。Logistic回归分析结果显示,机械通气时长是各亚型共同的危险因素。此外,饮酒史、贫血、糖尿病史、血红蛋白水平、应用异丙酚是低活动型谵妄的独立危险因素;贫血、肾功能不全、应用异丙酚、入住ICU时长是混合型谵妄的独立危险因素;年龄、手术时长、应用咪达唑仑、入住ICU时长、机械通气时长是高活动型谵妄的危险因素(P<0.05)。结论心脏外科术后患者ICU谵妄的发生率较高,尤其是低活动型谵妄。不同亚型谵妄的危险因素略有差异,医务人员应加强识别,分型管理,以降低谵妄及相关护理不良事件的发生率。
暂无评论