Rechtzeitige Vorhersage von Ergebnissen auf der Intensivstation unter Verwendung von stochastischer Signalanalyse und Techniken des maschinellen Lernens mit leicht verfügbaren Vitalzeichen-Daten

Die Intensivstation (ICU) ist eine spezialisierte Abteilung eines Krankenhauses, die kritische Versorgung für Patienten mit hohem Risiko bietet. Die enorme Belastung durch die Versorgung, die eine Intensivstation erfordert, macht genaue und rechtzeitige Vorhersagen der Ergebnisse auf der Intensivstation notwendig, um die wirtschaftlichen und gesundheitlichen Belastungen zu verringern, die durch die Bedürfnisse der kritischen Versorgung entstehen. Bestehende Forschungen stehen vor Herausforderungen wie Schwierigkeiten bei der Merkmalsextraktion, niedriger Genauigkeit und ressourcenintensiven Merkmalen. Einige Studien haben tiefe Lernmodelle untersucht, die rohe klinische Eingaben nutzen. Diese Modelle gelten jedoch als nicht interpretierbare Black Boxes, was deren breite Anwendung verhindert. Ziel der Studie ist es, eine neue Methode zu entwickeln, die stochastische Signalanalysen und Techniken des maschinellen Lernens verwendet, um effektiv Merkmale mit starker Vorhersagekraft aus den Echtzeit-Zeitserien von Vitalzeichen von ICU-Patienten für genaue und rechtzeitige Vorhersagen der Ergebnisse auf der Intensivstation zu extrahieren. Die Ergebnisse zeigen, dass die vorgeschlagene Methode sinnvolle Merkmale extrahiert und die Basislinienmethoden übertrifft, einschließlich APACHE IV (AUC = 0,750), tiefen Lernmodellen (AUC = 0,732, 0,712, 0,698, 0,722) und statistischen Merkmalsklassifikationsmethoden (AUC = 0,765) mit einem großen Abstand (AUC = 0,869). Die vorgeschlagene Methode hat klinische, managementbezogene und administrative Implikationen, da sie Gesundheitsfachkräften ermöglicht, rechtzeitig und genau Abweichungen von Prognosen zu identifizieren und daher geeignete Interventionen durchzuführen.