Voorspellende algoritmen voor kritieke revalidatieresultaten

Een toenemende hoeveelheid bewijs uit de evidence-based geneeskunde suggereert dat vroege revalidatie-interventie (waaronder vroege actieve en passieve oefeningen, positiemanagement, longrehabilitatie, enz.) voor mechanische beademingspatiënten veilig en haalbaar is, en een zekere mate van functioneel herstel kan bevorderen. verkort de duur van het verblijf op de intensive care (ICU). De verschillen in bewustzijnstoestand, spierkracht, ademhalingsfunctie en dagelijkse levensactiviteit (ADL) bij patiënten die na stabilisatie van de toestand van de intensive care worden ontslagen, zijn echter zeer groot; zelfs sommige patiënten ondervonden geen duidelijke voordelen. Daarom is het een belangrijk vraagstuk waar op de intensive care aandacht aan moet worden besteed.

Deze studie hanteerde ‘Transparante rapportage van een multivariabel voorspellingsmodel voor individuele prognose of diagnose (TRIPOD)’ als richtlijn. Overlevenden die mechanische beademing ondergingen op de ICU werden als deelnemers gerekruteerd. Als uitkomst werd gebruikt of patiënten vooruitgang boekten in de ADL-functie op verschillende tijdstippen na het ontvangen van een vroege revalidatie-interventie op de ICU, wat een time-to-event-indicator is. Demografische gegevens, klinische diagnostische gegevens en ziekte-interventiegegevens van de proefpersonen werden verzameld als alternatieve voorspellers. Variabele transformatie en variabele screening werden gebruikt om voorspellers te vinden die de uitkomst konden voorspellen. Het proces van het construeren van klinische voorspellende modellen wordt voltooid door modellen aan te passen via regressievergelijkingen en machine learning-algoritmen, interne validatie, externe validatie en beoordeling van de klinische waarde. Het model met de beste voorspellingsefficiëntie wordt geselecteerd op basis van de differentiatie en kalibratie van verschillende modellen na validatie. Dit model wordt gepresenteerd met een nomogram of een webapp. De toepassing van dit klinisch voorspellende model zal identificeren of en wanneer deze patiënt een beter herstel op ADL kan krijgen na een vroege revalidatie-interventie, om zo de timing van vroege interventie in de revalidatie verder te optimaliseren en zijn overlevingskwaliteit te verbeteren.