《人工智能在重症监护中的应用2023.docx》由会员分享,可在线阅读,更多相关《人工智能在重症监护中的应用2023.docx(8页珍藏版)》请在优知文库上搜索。
1、人工智能在重症监护中的应用2023在医院环境中,存在着大量应用人工智能的机会。无监督机器学习技术已经被用于探索电子医疗记录中编码的海量数据。已开发出模型从病人的病历中获取重要信息,并识别高成本的病人。鉴于其有自动识别图像模式的潜力,监督机器学习算法已经证明了在放射学和组织病理学方面的实用性。机器学习在外科、机器人技术、心脏病学中被广泛应用,用于早期检测心力衰竭,以及在癌症研究中对肿瘤类型和生长速度进行分类。虽然将机器学习引入重症监护室还处于初级阶段,但已经有几项研究发表,描述了该技术在危重病患者管理中的应用。一些研究使用大规模人群数据集预测住院时间、重症监护室再入院和死亡率,以及发展医疗并发症
2、或感染(如脓毒症和ARDS)的风险。其他研究处理了较小的临床和生理数据集,以帮助监测接受呼吸支持治疗的患者。住院时间Houthooft等人使用来自14z480名患者的数据训练了一个支持向量机模型,用于预测患者的存活和住院时间。该模型预测住院时间延长的曲线下面积(AUC)为0.82。这与临床研究相比,医生预测ICU住院时间的准确率只有53%o将隐马尔可夫模型框架应用于ICU入院后48小时内测得的生理测量数据,也能够相对准确地预测ICU住院时间。通过应用神经网络算法分析对重症监护医学信息数据库(电子病历数据集)(MIMIC-IIi)进行了ICU再入院的研究。这是一个开源、免费使用的数据库,收集了2
3、001年至2012年间在贝斯以色列Deaconess医疗中心的重症监护病房接受治疗的患者的数据。该算法能够识别出ICU再入院的风险,灵敏度为0.74,AUC为0.79oICU死亡率Awad等人应用了多种机器学习算法,包括决策树、随机森林和朴素贝叶斯算法,对11z722名首次入院的MIMIC-II数据进行预测ICU死亡率的研究。特征包括人口统计学、生理学和实验室数据。这些模型的表现优于标准评分系统,如APACHE-IL序贯器官功能衰竭评分(SOFA)和简化急性生理学评分(SAPS),这一发现在使用时间序列分析的后续研究中得到了确认。一个瑞典系统应用人工神经网络对超过200,000名首次入院的IC
4、U患者进行了研究,这个系统在预测死亡风险方面与SAPS-3相比表现出更好的性能。还提出了使用机器学习模型预测创伤性和儿科重症监护室患者的死亡率的方法。尽管上述ICU生存模型在与标准死亡率预测评分系统相比时表现出更高的性能,但在使用上还有些复杂,需要大量的变量,并且尚未进行前瞻性测试。并发症和风险分层Yoon等人开发了一种基于逻辑回归和随机森林模型的方法来预测ICU中的不稳定情况,该方法使用了心电图(EKG)的心动过速测量,准确率为0.81,AUC为0.87o这项研究的发表附有一篇由Vistisen等人撰写的优秀且值得推荐的社论,对机器学习方法作为ICU并发症预测因子进行了全面分析。最近的一项研
5、究将随机森林分类器应用于超过200,000份住院患者电子健康记录,以预测脓毒症和感染性休克的发生。尽管该算法具有很高的特异性(98%),但灵敏度仅为26%,严重限制了其实用性。其他已发表的研究描述了在生成患者特异性肺栓塞风险评分、ARDS风险分层、预测严重烧伤患者急性肾损伤以及一般ICU人群预测液体给药后的容量反应性以及识别可能发展为复杂性梭状芽胞杆菌感染的患者中使用机器学习模型的方法。机械通气现今的机械呼吸机在向患病肺部输送空气方面做得非常好,但它们是前馈或开环系统,其输入信号或通气方式很大程度上不受其输出,即通气充分性的影响。因此,呼吸机缺乏评估患者对输送呼吸的反应的能力。一个理想的解决方
6、案是开发自主呼吸机,这是一种可以持续监测患者对通气反应的设备,并通过调整通气参数,为患者提供舒适、最佳输送的呼吸。尽管我们离实现这个理想的设备还很远,但在朝着实现这个目标的道路上已经取得了重要进展。过去十年中,人们对检测和分类患者-呼吸机不同步现象(这种现象表明患者对通气支持的耦合程度或反应)产生了相当大的兴趣。通过识别压力和流量信号的形态变化,利用机器学习方法来检测患者-呼吸机不同步。陈等人开发了一种算法,通过观察气道压力和流量的呼气部分的最大偏差来识别无效的努力。他们研究的24名患者中,58%存在无效努力。分析了5899个呼吸周期,检测无效努力的敏感性和特异性均大于90%oBlanch等人
7、开发了一种算法揩理论指数呼气流速曲线与实际流速曲线进行比较,超过42%的偏差被认为是无效努力的指标。他们将该算法在16名患者的1024个呼吸周期中与五名专家的预测进行比较,并报告了91.5%的敏感性、91.7%的特异性和80.3%的预测值。作为概念验证,该团队还报告了对51名机械通气患者的气道信号进行监测,并能够利用隐马尔可夫模型预测下一个呼吸周期发生不同步的概率。这些试验中使用的系统已经商业化为BetterCare,它能够获取、同步、记录和分析床旁监护仪和机械呼吸机的数字信号。Rhem等人和Adams等人开发了一套算法,用于检测与肺动态过度膨胀相关的两种不同步性,即双触发和流量不同步。基于1
8、6名患者的5075个呼吸周期的学习数据库,他们开发了逻辑操作符,根据床旁临床规则识别双触发。通过呼气潮气量与吸气潮气量之比来识别肺动态过度膨胀。他们通过另一个患者队列(n=17)的数据进行了算法验证,结果显示敏感性和特异性均大于90%oSottile等人评估了几种机器学习算法,包括随机森林、朴素贝叶斯和AdaBoost,使用从62例机械通气患者的数据中记录的特征,并基于临床见解和信号描述确定存在同步呼吸以及三种类型的患者-呼吸机不同步(双触发、流量限制和无效触发),其AUC值大于0.89。作者承认他们的算法不能识别所有类型的患者-呼吸机不同步尤其是过早停止通气或呼吸周期不同步。Gholami等
9、人使用了一个随机森林分类器算法,通过训练数据集进行训练,数据集由五位专家评估了11名机械通气患者的1377个呼吸周期,以评估呼吸不同步现象。患者使用压力控制容量通气进行通气。该模型能够以89%的敏感性准确地检测次级同步的存在或缺失。Mulqueeny等人使用了朴素贝叶斯机器学习算法,使用21个特征,包括呼吸频率、潮气量、呼吸力学和呼气流形态的测量,对由单个观察者手动分类的5624个呼吸周期的数据进行了验证,结果显示准确率为84%,但灵敏度仅为59%Loo等人训练了一个卷积神经网络,该网络包含5500个异常呼吸周期和5500个正常呼吸周期,旨在开发一种能够区分正常和异常呼吸周期的算法,报告的敏感
10、性为96.9%,特异性为63.7%o准确性与可靠性的问题机器学习算法的准确性是根据其在未知的测试数据集上正确预测的能力来判断的。模型是根据从相同群体数据中获取的实例创建和测试的,因此在机器学习文献中,经常会看到算法的报告具有非常高的准确性得分。如果数据是真实而可验证的,那么模型的预测也是可靠的。然而,当一个以未经测试或有缺陷的数据训练的模型面对从相同群体中获取的数据时,预测很可能是准确但完全不可靠的。正如一些人所言,垃圾输入,垃圾输出。这引发了一个问题,即模型可靠性的限度是什么。虽然人工智能能够考虑众多变量并减少数据分类中的人为偏差,但它无法保证模型的可靠性。因此,在创建临床机器学习模型时最大
11、的挑战在于确定用于分类的金标准。在医学中,我们所见到和所做的很多内容都是非常主观的,重症医学之间很少有共识。例如,一项关于按照柏林定义诊断ARDS的临床医师间观察者一致性研究发现仅有中度的一致性(kappa=0.501变异性的主要原因是胸部X光片的解读。在评估青光眼患者的视盘照片时也发现了类似的结果(kappa0.40-0.52因此,即使在最好的情况下,在ICU中模型的可靠性也不太可能超过60-70%结论经验丰富的重症医生擅长收集、分类和分析临床信息的快照,以便迅速做出诊断和确定治疗方案。然而,在当今数据密集的重症监护病房环境中,重症医生必须应对不断涌入的信息流,其中一部分是有用的,大部分则没
12、有。根据AIanMOrriS的一篇有思考性文章,在为使用通气支持的患者提供护理时,重症医生必须处理至少236个变量。甚至对于最知识渊博、洞察力最敏锐的临床医生来说,持续地对这些变量进行编目、关联和分类已经超出了他们的能力。合理应用人工智能技术可以帮助我们应对信息过载问题。机器学习算法已被用于分析存储在电子病历中的数据,以预测重症监护病房的死亡率和住院时间。它们还进一步增进了我们对可能面临疾病进展或可能出现医疗并发症的人群的理解。虽然这些回顾性研究在早期识别和分层患者方面可能很有用,但它们只代表了人工智能研究中的易得之果。一项更困难的任务,但可能具有更大的潜力,是开发智能机器学习监测器,能够连续评估人类对重症的反应,并以高度确定性进行评估。这种监测器的开发将为创建半自主的重症监护病房提供所需的知识和经验,即由智能机器提供当今由人类提供的大部分护理的环境。只有人工智能成为重症医生信赖的临床辅助工具,其全部潜力将会被实现。通过帮助我们应对信息过载,赋予人工智能的机器可以使我们的思考、想象力和同情心在照顾陷入困境的人类时得以充分发挥。人工智能在ICU的未来确实是光明的。就像所有新技术一样,会有狂热分子和伪君子、起伏不定、兴奋和失望,以及棘手的伦理问题。然而,我毫不怀疑,人工智能将会继续存在下去,我们有必要熟悉这项技术,以造福我们的患者。