집중 치료실의 조기 경고 점수 매개변수에 대한 기계 학습 예측 (AIM-PEW-ICU)

중환자실에서 모니터링되는 환자의 다양한 장기 기능이 실시간으로 기록됩니다. 한편으로 수집된 측정값은 중요한 매개변수를 지속적으로 모니터링하는 데 사용됩니다. 혈압, 심박수 및 호흡수를 측정할 뿐만 아니라 병동 회진의 일부로 다른 데이터와 함께 하루에도 여러 번 평가됩니다. 두 경우 모두 제한된 수의 매개변수를 통한 지속적인 모니터링뿐만 아니라 보다 광범위한 분석 가능한 매개변수 세트를 사용한 개별 평가에서는 가능한 모든 주의와 전문 지식을 활용하더라도 평가 가능성에 한계가 있습니다. 지속적인 분석에서는 해석이 제한됩니다. 위에서 설명한 연속적으로 기록되는 제한된 수의 매개변수로 인해 발생합니다. 그러한 측정을 많이 할 수 있고 적어도 이론적으로는 더 많은 수의 매개변수를 측정할 수 있지만 환자 협조와 같은 환자별 한계, 특정 상황에서 측정된 값의 중요성과 같은 의학적 한계뿐만 아니라 경제적 한계도 있습니다. 이런 맥락에서 결정적인 경우가 많습니다. 인간 생리학 측면의 지속적이고 완전한 표현으로부터 정확한 결론을 도출할 수 있지만, 사용 가능한 매개변수의 제한으로 인해 다양한 상태의 종합에 대한 해석 가능성이 감소합니다. 반면, 특정 시점에 방문하는 동안 더 광범위하고 포괄적인 평가에서는 개별 측정 값과 미리 정의된 방문 시간에 대한 지점 기록으로 인해 제한이 있습니다. 측정된 데이터에 대해 한계값이 정의되거나 정의될 수 있더라도, 예를 들어 치료 단계는 이러한 값이 초과되거나 도달하지 않은 경우 시작됩니다. 이 경고는 해당 값이 초과된 경우에만 소급적으로 시작될 수 있으며 결과는 소급적으로만 시작될 수 있습니다. 이러한 상황에서는 이미 병태생리학적 변화가 너무 많이 진행되어 많은 경우 보상 메커니즘이 더 이상 적절하게 기능하지 못하고 비보상 상황으로 전환됩니다. 이런 상황에서 중환자실에 입원한 환자들은 치명적인 위험에 처하는 경우가 많다. 제한된 수의 매개변수를 지속적으로 기록하는 상황과 스냅샷 형태로 광범위한 데이터를 평가하는 상황 모두 언급된 한계에도 불구하고 최적화될 수 있습니다. 데이터 수집(시간, 범위 등)을 변경하지 않고도 해석을 최적화할 수 있는 가능성과 해석에서 파생될 수 있는 결과는 그대로 유지됩니다. 데이터의 해석은 주로 해석 방법으로서 해석자에 의해 결정됩니다. 현재 접근 방식에서는 기계 학습(ML) 방법을 사용하여 주어진 데이터에서 부작용을 인식하는 개별 상황을 예측하는 동시에 생명을 위협하는 상황이 발생하기 전에 선제적으로 경보가 트리거되도록 시도합니다. 또한, 시계열에 따른 조기경보 점수의 변화에 ​​대한 연구는 이미 있으나, 예측 기간이 길수록 정보적 가치가 제한적이다.