Predicción por aprendizaje automático de parámetros de puntuaciones de alerta temprana en unidades de cuidados intensivos (AIM-PEW-ICU)

En una unidad de cuidados intensivos se registran en tiempo real una gran cantidad de funciones orgánicas diferentes para los pacientes que se controlan. Los valores medidos recogidos se utilizan, por un lado, para la monitorización continua de parámetros vitales, p. presión arterial, frecuencia cardíaca y frecuencia respiratoria, pero también se evalúan varias veces al día junto con otros datos como parte de las rondas de sala. En ambos casos, el seguimiento continuo a partir de un número limitado de parámetros, pero también en la evaluación diferenciada con un conjunto más extenso de parámetros analizables, existen limitaciones en la evaluabilidad incluso con todo el cuidado y la experiencia disponibles: en el análisis continuo, la interpretación es limitada. por el número restringido de parámetros registrados continuamente descritos anteriormente. Aunque es posible realizar un gran número de mediciones de este tipo y, al menos en teoría, se podrían medir un mayor número de parámetros, existen límites específicos del paciente, como la cooperación del paciente, límites médicos, como la importancia de los valores medidos en situaciones específicas, pero también límites económicos. son a menudo decisivos en este contexto. Aunque se pueden extraer conclusiones precisas de la representación continua y, por tanto, completa de aspectos de la fisiología humana, la limitación de los parámetros disponibles reduce la interpretabilidad de la síntesis de diferentes estados. En cambio, en las evaluaciones más amplias y completas durante las visitas en determinados momentos, existen limitaciones debido, entre otras cosas, a los registros puntuales de los valores medidos individuales y a los tiempos de visita predefinidos. Incluso si se definen (o se pueden definir) valores límite para los datos medidos y una consecuencia, p. un paso de terapia se inicia si estos valores se exceden o no se alcanzan, esta alerta solo se puede iniciar retrospectivamente si se exceden estos valores y una consecuencia solo se puede iniciar retrospectivamente. En esta situación, el cambio fisiopatológico ya está tan avanzado que en muchos casos un mecanismo de compensación ya no funciona adecuadamente y se convierte en una situación de descompensación. En esta situación, los pacientes afectados en una unidad de cuidados intensivos corren en muchos casos peligro de muerte. A pesar de las limitaciones mencionadas, ambas situaciones, el registro continuo de un número limitado de parámetros y la evaluación de una gran cantidad de datos en forma de instantáneas, podrían optimizarse. Sin cambiar la recogida de datos (tiempo, alcance, etc.), se mantienen las posibilidades de optimizar su interpretación y las consecuencias que se pueden derivar de la interpretación. La interpretación de los datos la determinan principalmente los intérpretes como método de interpretación. Los enfoques actuales intentan utilizar métodos de aprendizaje automático (ML) para predecir situaciones individuales que reconocen eventos adversos en los datos proporcionados y al mismo tiempo permiten que las alarmas se activen de forma preventiva, es decir, antes de que ocurra una situación que ponga en peligro la vida. Además, ya existen estudios sobre el cambio de las puntuaciones de alerta temprana en series temporales, pero su valor informativo es limitado para períodos de predicción más largos.