At konstruere en prognoseforudsigelsesmodel for ECMO-patienter baseret på maskinlæringsalgoritmer

Extracorporeal Membrane Oxygenation (ECMO) bruges til at yde kontinuerlig ekstrakorporal respiratorisk og kredsløbsstøtte til patienter med alvorligt hjerte-lungesvigt. Det er den vigtigste livsstøttemetode inden for intensivmedicin, og også en af ​​de mest komplekse og dyre behandlingsmetoder på intensiv afdeling (ICU). Det kræver mange ressourcer at vedligeholde. Derfor er det særligt vigtigt at nøje forstå patienternes indikationer og præcist forudsige patienternes prognose for at hjælpe med den kliniske beslutningstagning.

Adskillige tidligere publicerede undersøgelser har brugt kliniske scores til at forudsige prognosen for ECMO-patienter, men de fleste af dem fokuserede på ECMO-resultater i specifikke patientgrupper, såsom respiratory distress syndrome (ARDS), respirationssvigt, lungetransplantation, kardiogent shock osv. på. Derudover blev de fleste af disse estimater beregnet ved hjælp af traditionelle statistiske metoder og har begrænset tilpasningsevne til datasæt med mere karakteristiske variable.

Kunstig intelligens (AI) og Machine Learning (ML) giver et mere avanceret alternativ til traditionelle statistiske metoder og har uovertrufne fordele ved at håndtere datasæt med højdimensionelle karakteristiske variable og ikke-lineære data. Og det kan selviterere for at forbedre modellens ydeevne. Derudover er ML, som kan behandle information baseret på kausale eller statistiske data, muligvis afsløre skjulte afhængigheder mellem kliniske indikatorer og sygdomsprognose og understøtte klinisk beslutningstagning, fremstået som det bedste alternativ. De primære resultatmål udskrevet levende fra hospitalet og døde under hospitalsindlæggelse. I alt 69 kliniske karakteristiske indikatorer blev identificeret baseret på relevant litteratur og indsigt fra ECMO-eksperter i intensivmedicin. Disse indikatorer inkluderede demografiske data såsom alder, højde, vægt og ECMO-patienters sygehistorie. Derudover blev infektionsindikatorer vurderet inden for 24 timer før påbegyndelse af ECMO-støtte og inden for 24 timer efter ophør. Endvidere blev indikatorer vedrørende hjerte-, nyre- og leverfunktion samt typen af ​​shock (distributivt shock, hypovolæmisk shock, kardiogent shock, obstruktivt shock) inkluderet. Derudover blev den gennemsnitlige daglige væskevolumen inden for tre dage efter påbegyndelsen af ​​ECMO-støtte, varigheden af ​​ECMO-støtten og ICU-opholdets længde også taget i betragtning.