普通病房预警评分参数的机器学习预测

如果患者生病或受伤，患者将在急症门诊、急诊室和手术室接受医学评估和初步治疗。 如果有医学指征，也可以在医院提供护理和治疗。 根据疾病的严重程度和主要医疗问题，这种护理在医院病房提供，这些病房主要由特定的专业学科负责，并以临床科室的形式分配给它们。

作为住院期间的一部分，治疗和护理通常由医护人员查房提供。 然而，查房是在预定时间对各个测量值进行抽查。

合格的护理人员执行商定的治疗计划，并每天多次检查患者的一般状况。 然而，与密集的医疗监测相比，没有连续监测，因此患者病情的恶化并不总是立即明显。 此外，除了现有病症的已知并发症之外，还可能发生新的或意外的并发症。

尽管非重症监护监测基于不连续监测，但事件和并发症有时可能危及生命，特别是如果对患者病情恶化没有立即做出反应。 即使有诸如分数之类的早期预警系统，它们的反应能力也是有限的，部分原因是它们收集的频率。

除了住院监测的患者特定限制（例如患者在自我监测意义上的合作）、医疗限制（例如调查频率）外，还存在经济限制（例如可部署的人员数量）以进行更频繁的监控。

尽管有远程医疗监测方法，但这些方法的设置通常在经济上和所需的额外培训方面受到限制。

即使为测量数据（生命体征、实验室参数、临床印象等）定义了（或可以）阈值，如果超过或未达到这些阈值，也会产生后果，例如治疗步骤只能回顾性地启动。 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，医院病房中受影响的患者可能面临致命危险。

避免上述危险的一种方法是使用与重症监护监测相比减少的监测方法组合。 同时，人工智能的使用可以对收集的数据进行自动评估，从而预测参数的变化，从而实现早期警报，即在病理生理失代偿发生之前。