机器学习预测重症监护室早期预警评分参数 (AIM-PEW-ICU)

实时记录重症监护病房中接受监测的患者的大量不同器官功能。 一方面，收集的测量值用于连续监测生命参数，例如 血压、心率和呼吸频率，但作为查房的一部分，每天也会结合其他数据进行多次评估。 在这两种情况下，从有限数量的参数进行连续监测，而且在使用更广泛的可分析参数集进行独特评估时，即使有所有可用的护理和专业知识，可评估性也存在局限性：在连续分析中，解释是有限的通过上述连续记录参数的有限数量。 虽然大量此类测量是可能的，并且至少理论上可以测量更多数量的参数，但患者特定的限制（例如患者合作）、医疗限制（例如测量值在特定情况下的显着性）以及经济限制在这种情况下往往具有决定性作用。 尽管可以从人类生理学各方面的连续且完整的表示中得出准确的结论，但可用参数的限制降低了不同状态综合的可解释性。 另一方面，在特定时间点访问期间进行更广泛、更全面的评估时，由于个人测量值的点记录和预定义的访问时间等原因而存在局限性。 即使为测量数据定义了（或可以）极限值，也会产生结果，例如如果超过或未达到这些值，则启动治疗步骤，如果超过这些值，则只能回顾性地启动此警报，并且只能回顾性地启动后果。 在这种情况下，病理生理变化已经严重到在许多情况下补偿机制不再充分发挥作用并转变为失代偿情况。 在这种情况下，重症监护病房中的患者在许多情况下都处于生命危险之中。 尽管存在上述限制，但连续记录有限数量的参数和以快照形式评估大量数据都可以得到优化。 在不改变数据收集（时间、范围等）的情况下，优化其解释以及从解释中得出的结果的可能性仍然存在。 数据的解释主要由解释者决定解释方法。 当前的方法尝试使用机器学习（ML）方法来预测个体情况，识别给定数据中的不良事件，同时允许先发制人（即在危及生命的情况发生之前）触发警报。 此外，已经有关于预警分数随时间序列变化的研究，然而，这些研究对于较长预测周期的信息价值有限。