Forudsigelse af den spontane vejrtrækningstests succes ved brug af biosignal og biomarkør i kritisk plejeenhed ved en maskinlæringstilgang

Sammenhæng:

Adskillige forfattere har været interesseret i at anvende kunstig intelligens (AI) til medicin ved at bruge forskellige maskinlæringsteknikker (ML): håndtering af septisk shock, forudsigelse af nyresvigt... [1, 2] AI har en vigtig plads i beslutningsstøtte til klinikere [ 3]. Fravænningsperioden er en virkelig vigtig tid i håndteringen af ​​en patient på mekanisk ventilation og kan tage op til halvdelen af ​​den tid, der tilbringes på intensiv afdeling. Det første fravænningsforsøg er mislykket hos 20 % af patienterne. Dødeligheden kan dog være helt op til 38 % hos patienter med den sværeste fravænning [4]. Kun få undersøgelser har set på anvendelsen af ​​maskinlæring på dette område, og kun én har set på brugen af ​​biosignaler (hjertefrekvens, EKG, ventilatoriske parametre...) [5-7]. For at forbedre sygeligheden, dødeligheden og reducere opholdets længde er det vigtigt at kunne forudsige succesen af ​​den spontane vejrtrækningstest og ekstubation.

Efterforskere foreslår at udvikle en forudsigelig algoritme for succesen af ​​en ventilatorisk fravænningstest baseret på biosignaloptegnelser og andre funktioner.

Metoder:

Det er en kritisk pleje, oligo-centreret og retrospektiv undersøgelse, som efterforskerne inkluderede biosignalvariabler ekstraheret fra den elektroniske lægejournal, såsom respiratorisk (RR, minutvolumen...), hjerte (systolisk tryk, hjertefrekvens...), ventilator. parametre og andre diskrete variabler (alder, komorbiditet...). De fleste biosignalvariabler er optegnelser fra minut for minut. Registreringen starter 48 timer før testen og stopper ved starten af ​​fravænningstesten. Efterforskerne udtog funktioner fra disse registreringer, kombinerede dem med andre biomarkører og anvendte adskillige maskinlæringsalgoritmer: Logistisk regression, Random Forest Classifier, Support Vector Classifier (SVC), XGBoost og Light Gradient Boosting Method (LGBM)...