機器學習可幫助預測壓力傷害的風險

根據(jù)《重癥監(jiān)護雜志》上發(fā)表的一項研究，一組研究人員使用機器學習來幫助預測外科重癥患者發(fā)展為醫(yī)院獲得性壓力傷害的風險的模型。

研究人員使用機器學習方法來幫助構(gòu)建他們的模型，因為它可以分析來自患者電子健康記錄(EHR)的數(shù)據(jù)。研究人員隨后使用隨機森林算法開發(fā)了該模型。該研究說，通常，其他模型需要臨床醫(yī)生將信息輸入工具中才能做出預測。

如果由于長時間的壓力而導致皮膚或下面的組織受損，就會發(fā)生壓力傷害，也稱為褥瘡。壓力傷害是分階段進行評估的，與沒有患病的患者相比，壓力傷害通常會導致住院時間延長，費用增加和遭受更多痛苦。這項研究說，在，重癥監(jiān)護患者中約有3%至24%發(fā)生醫(yī)院獲得性壓力傷害。

希望該模型最終能夠識別出發(fā)生壓力傷害的風險更大，并且將從諸如更頻繁的皮膚檢查或?qū)？撇〈驳雀深A措施中受益最多的患者。

該模型可能是第一個利用機器學習來預測重癥監(jiān)護患者中壓力傷害發(fā)展的模型。機器學習經(jīng)常被用來幫助預測醫(yī)療保健環(huán)境中的其他情況。

“目前的風險評估工具將最關(guān)鍵的患者歸類為發(fā)生壓迫傷的高風險，因此無法提供在壓力傷害風險方面區(qū)分重癥監(jiān)護患者的方法，” Jenny Alderden博士，首席研究員，助理教授博伊西州立大學兼猶他大學兼職助理教授在一份聲明中說。“最終，我們的模型可能會為臨床醫(yī)生提供更多見解，因為他們制定了針對高風險患者的護理計劃，并確定了從每個患者財務(wù)上不可行的干預措施中受益最大的人。”

該團隊分析了鹽湖城猶他大學醫(yī)院的一些外科手術(shù)患者的五年數(shù)據(jù)，并在五年期間共收集了6376名患者的樣本。在這些患者中，516例獲得了1期或更高壓力的傷害，而257例獲得了2期或更高壓力的傷害。