IJNS：基于机器学习的重症监护室入院后24h儿童谵妄预测
2023-08-23 小文子 MedSci原创 发表于上海
基于机器学习的模型可能有助于识别PICU入院后24h出现谵妄的高危儿童。
准确识别谵妄高危患者对于及时采取预防性干预措施至关重要。International Journal of Nursing Studies杂志发表了一项研究，开发和验证基于机器学习的模型，用于预测儿科重症监护室（PICU）入院后24h危重儿童的谵妄。
这项前瞻性队列研究是在中国西南部一家大型三级专科医院进行的。研究纳入2019年11月-2022年2月期间需要入住PICU的危重儿童。
采用五种机器学习算法。床边护士使用康奈尔儿童谵妄量表（CAPD）对所有连续患者进行谵妄筛查，每天两次（PICU期间上午9:00和下午5:00）。住院期间来自医疗和护理记录的24个临床特征被用于为模型提供信息。
研究纳入1576例患者，929名（58.9%）男孩，年龄从28天至15岁不等，中位年龄为12个月（IQR 3至60个月）。其中285名（18.1%）儿童接受了机械通气，741名（47.0%）儿童受到了肢体约束。训练队列包括1126名中位年龄为12月龄（IQR 3-59.75月龄）的患者；665名（59.1%）为男孩，295名（26.2%）有谵妄。验证队列包括450例患者，中位年龄为12月龄（IQR 3-60月龄）。264例（58.7%）男孩，115例（25.6%）有谵妄。
五个模型的AUC范围为0.763-0.805，其中极度梯度提升树XGBoost（XGB）模型表现最好，AUC为0.805（95%CI，0.759-0.851），准确度0.798（95%CI，0.758-0.834），灵敏度0.902，阳性预测值0.839，F1评分0.640，Brier评分0.144。
几乎所有模型在24月龄以下儿童中的预测性能都低于年龄较大儿童。逻辑回归（LR）模型也表现良好，AUC0.789（95%CI，0.739-0.838），略低于XGB模型，随后转化为列线图。
在LASSO特征选择后的15个候选因子中，筛选出8个因子形成最终的列线图。这8个因子是入院诊断（神经障碍）、认知或运动功能障碍、苯二氮卓类药物、右美托咪定、机械通气天数、肢体约束天数、睡眠剥夺以及看电视/听音乐/玩玩具。
结果表明，可以建立基于机器学习的模型，并可能有助于识别PICU入院后24h出现谵妄的高危儿童。列线图可能是目前PICU治疗谵妄的有益工具。
原文出处：
Lei Lei, Shuai Zhang, et al, Machine learning-based prediction of delirium 24 h after pediatric intensive care unit admission in critically ill children: A prospective cohort study, International Journal of Nursing Studies, 2023, https://doi.org/10.1016/j.ijnurstu.2023.104565.
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
