Maskinlæringsforudsigelse af parametre for tidlige advarselsscore på intensivafdelinger (AIM-PEW-ICU)

Et stort antal forskellige organfunktioner registreres i realtid for patienter, der overvåges på en intensivafdeling. Dels bruges de opsamlede målte værdier til løbende overvågning af vitale parametre, f.eks. blodtryk, puls og respirationsfrekvens, men vurderes også flere gange dagligt sammen med andre data som led i afdelingsrunder. I begge tilfælde, kontinuerlig overvågning fra et begrænset antal parametre, men også i den særskilte evaluering med et mere omfattende sæt af analyserbare parametre, er der begrænsninger i evaluerbarheden selv med al den omhu og ekspertise, der er til rådighed: I kontinuerlig analyse er fortolkningen begrænset ved det begrænsede antal kontinuerligt registrerede parametre beskrevet ovenfor. Selvom et stort antal af sådanne målinger er mulige, og i det mindste teoretisk set kunne måles et større antal parametre, patientspecifikke grænser såsom patientsamarbejde, medicinske grænser såsom betydningen af ​​de målte værdier i specifikke situationer, men også økonomiske grænser er ofte afgørende i denne sammenhæng. Selvom der kan drages nøjagtige konklusioner fra den kontinuerlige og derfor fuldstændige repræsentation af aspekter af menneskelig fysiologi, reducerer begrænsningen af ​​de tilgængelige parametre fortolkningen af ​​syntesen af ​​forskellige statusser. I de bredere mere omfattende vurderinger ved besøg på bestemte tidspunkter er der derimod begrænsninger, som blandt andet skyldes punktregistreringer af individuelle måleværdier og de foruddefinerede besøgstider. Selvom der er (eller kan) defineres grænseværdier for de målte data, og en konsekvens, f.eks. et terapitrin, påbegyndes, hvis disse værdier overskrides eller ikke nås, kan denne advarsel kun initieres retrospektivt, hvis disse værdier overskrides, og en konsekvens kan kun initieres retrospektivt. I denne situation er en patofysiologisk ændring allerede så langt fremme, at en kompensationsmekanisme i mange tilfælde ikke længere fungerer tilstrækkeligt og bliver til en dekompensationssituation. I denne situation er de ramte patienter på en intensivafdeling i mange tilfælde i livsfare. Begge situationer, kontinuerlig registrering af et begrænset antal parametre og evaluering af omfattende data i form af et snapshot kunne optimeres på trods af de nævnte begrænsninger. Uden at ændre på indsamlingen af ​​data (tid, omfang osv.) består mulighederne for at optimere deres fortolkning og de konsekvenser, der kan udledes af fortolkningen. Fortolkningen af ​​dataene er primært bestemt af tolkene som fortolkningsmetode. Nuværende tilgange forsøger at bruge maskinlæringsmetoder (ML) til at forudsige individuelle situationer, der genkender uønskede hændelser i de givne data og samtidig tillader alarmer at blive udløst forebyggende, dvs. før en livstruende situation opstår. Desuden er der allerede undersøgelser om ændringen af ​​tidlige varslingsscorer i tidsserier, som dog er begrænset i deres informative værdi for længere forudsigelsesperioder.