目的探究国际和国内有关危重症患者喂养不耐受领域研究热点和发展动态,利用CiteSpace软件对相关文献绘制进行可视化分析。方法以Web of Science和中国知识资源总库为数据来源,以“喂养不耐受”和“危重症”为主题进行文献检索。采用Cite...
详细信息
目的探究国际和国内有关危重症患者喂养不耐受领域研究热点和发展动态,利用CiteSpace软件对相关文献绘制进行可视化分析。方法以Web of Science和中国知识资源总库为数据来源,以“喂养不耐受”和“危重症”为主题进行文献检索。采用CiteSpace软件进行文献的合著关系分析、共被引分析和共现分析。结果研究最终纳入2426篇文献,国际和国内期刊年度发文量均逐年上升。澳大利亚和一些欧美国家仍是研究的主要引导者,科研水平领先的机构包括澳大利亚皇家阿德莱德医院、澳大利亚阿德莱德大学、美国路易斯维尔大学、澳大利亚归国军人总医院、加拿大皇后大学。关键词分析显示喂养不耐受的机制研究、症状评估和管理仍是研究热点。结论危重症患者喂养问题已受到日益关注,未来应进一步开展高质量、大规模的实证研究,挖掘新技术和大数据,基于循证制定科学、规范的喂养不耐受预防及管理策略。
目的 探讨重症监护病房脓毒症患者临床表型识别与验证，促进精准医疗发展。方法 采用人工智能算法处理重症监护医学信息数据库Ⅳ（Medical Information Mart for Intensive Care IV，MIMIC-IV）中脓毒症患者的临床数据，包括人口学特征...
详细信息
目的 探讨重症监护病房脓毒症患者临床表型识别与验证，促进精准医疗发展。方法 采用人工智能算法处理重症监护医学信息数据库Ⅳ（Medical Information Mart for Intensive Care IV，MIMIC-IV）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，再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，从各表型间临床特征差异与临床结局差异两个角度进行验证。结果 在22517例脓毒症患者中发现了3种临床特征及结局显著不同的表型。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性评分升高为主；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。在出ICU后28 d、60 d、90 d及1年内，表型3患者的死亡风险均最低（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。
暂无评论