Прогнозирование с помощью машинного обучения параметров показателей раннего предупреждения в отделениях интенсивной терапии (AIM-PEW-ICU)

Большое количество различных функций органов регистрируется в режиме реального времени у пациентов, находящихся под наблюдением в отделении интенсивной терапии. С одной стороны, собранные измеренные значения используются для непрерывного мониторинга жизненно важных параметров, например. кровяное давление, частота сердечных сокращений и частота дыхания, но также оцениваются несколько раз в день в сочетании с другими данными во время обхода палат. В обоих случаях непрерывный мониторинг по ограниченному числу параметров, а также четкая оценка с более обширным набором анализируемых параметров имеют ограничения в возможности оценки даже при всей имеющейся тщательности и опыте: При непрерывном анализе интерпретация ограничена. ограниченным количеством непрерывно записываемых параметров, описанным выше. Хотя возможно большое количество таких измерений и, по крайней мере, теоретически можно измерить большее количество параметров, ограничения, специфичные для пациента, такие как сотрудничество пациента, медицинские ограничения, такие как значимость измеренных значений в конкретных ситуациях, а также экономические ограничения. часто имеют решающее значение в этом контексте. Хотя на основе непрерывного и, следовательно, полного представления аспектов физиологии человека можно сделать точные выводы, ограничение доступных параметров снижает интерпретируемость синтеза различных состояний. С другой стороны, в более широких и комплексных оценках во время посещений в определенные моменты времени существуют ограничения, связанные, среди прочего, с точечной записью отдельных измеренных значений и заранее установленным временем посещения. Даже если для измеренных данных определены (или могут быть) предельные значения, и как следствие, например, этап терапии инициируется, если эти значения превышены или не достигнуты, это предупреждение может быть инициировано только ретроспективно, если эти значения превышены, и последствия могут быть инициированы только ретроспективно. В этой ситуации патофизиологическое изменение зашло уже настолько далеко, что во многих случаях механизм компенсации перестает функционировать адекватно и переходит в ситуацию декомпенсации. В этой ситуации пострадавшим в отделении интенсивной терапии во многих случаях грозит смертельная опасность. Обе ситуации: непрерывная запись ограниченного числа параметров и оценка обширных данных в виде моментальных снимков могут быть оптимизированы, несмотря на упомянутые ограничения. Без изменения сбора данных (времени, объема и т. д.) сохраняются возможности оптимизации их интерпретации и последствий, которые можно вывести из интерпретации. Интерпретация данных в первую очередь определяется интерпретаторами как метод интерпретации. Современные подходы пытаются использовать методы машинного обучения (МО) для прогнозирования отдельных ситуаций, которые распознают неблагоприятные события в заданных данных и в то же время позволяют активировать сигналы тревоги упреждающе, то есть до того, как произойдет опасная для жизни ситуация. Более того, уже проводятся исследования по изменению показателей раннего предупреждения во временных рядах, которые, однако, ограничены по своей информативности для более длительных периодов прогнозирования.