An Explainable Prediction Model for Delayed-Onset Delirium in Critically Ill Patients With Ischemic Stroke: Development and Internal Validation Using the MIMIC-IV Database
本研究开发并内部验证了一个可解释的逻辑回归模型，该模型利用进入重症监护病房（ICU）前24小时内七个常规临床变量，能够有效预测缺血性卒中危重患者的迟发性谵妄，其性能与复杂的机器学习算法相当。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在重症监护室中，身体往往是在多条战线上进行战斗。当患者遭受中风时，大脑是首要的受害者，但冲击波会波及整个系统，影响心脏、肺部、肾脏和代谢。在这种脆弱的状态下，大脑极易出现一种被称为谵妄的突然且令人困惑的精神状态变化。与中风这种固定的损伤不同，谵妄是一种波动性的混乱、注意力不集中和意识改变的风暴。这是一种常见的并发症，可能使康复变得更加困难，延长住院时间，并增加死亡风险。对于医生来说，早期发现谵妄非常困难，因为用于诊断它的工具通常要求患者处于清醒状态并能够遵循指令——而这恰恰是危重中风患者可能无法做到的事情。因此，挑战在于寻找一种方法，仅利用患者入住第一天已经在监测的常规体征和信号，在混乱真正发生之前预见到这种风险。
一组研究人员致力于通过构建一种新型预测工具来解决这一问题。他们利用了一个名为 MIMIC-IV 的数据库中海量的匿名医疗记录，该数据库包含了多年来数千名在重症监护室接受治疗的患者的详细信息。他们专门针对因缺血性中风（一种由血管阻塞引起的中风类型）入院的成年人进行了研究。他们的目标是创建一个模型，能够观察患者在入住重症监护室前二十四小时内收集的数据，并预测该患者随后是否会发生谵妄。为了确保预测的公平性和非偏见性，他们严格排除了在第一天内表现出谵妄迹象的所有人，仅关注在初始窗口期之后出现的新病例。他们还排除了没有有效精神状态检查记录的患者，以确保结果是基于可靠证据而非猜测。
研究人员收集了第一天可获得的广泛信息，包括心率和血压等生命体征、血糖和肾功能等实验室结果，以及关于治疗的细节，例如患者是否在使用呼吸机或接受抗生素治疗。他们将这些信息输入到七种不同的数学方法中，从简单的统计方法到模拟人类大脑学习方式的复杂计算机算法。他们测试了这些模型，以观察哪一个能最好地区分会发生谵妄的患者和不会发生谵妄的患者。结果显示，一种被称为逻辑回归的相对简单的方法，其表现与更复杂的高科技算法一样出色。这种较简单的模型实现了很高的准确度，正确识别了绝大多数不会发生谵妄的患者，同时仍能捕捉到超过一半会发生谵妄的患者。
最终脱颖而出的模型仅依靠七个特定的信息点来进行预测。最强大的信号包括：患者是否正在使用抗生素、肾损伤的严重程度、是否使用机械通气辅助呼吸，以及衡量器官衰竭程度的综合评分。模型还观察了患者的血糖水平、血液中酸碱平衡情况，以及衡量肾脏过滤废物能力的特定指标。当研究人员分析模型为何做出这些选择时，他们发现这七个因素是主要的驱动因素。例如，抗生素的使用通常预示着潜在的感染，而感染是导致大脑混乱的已知诱因。同样，肾脏问题和对呼吸机的需求表明身体正承受着巨大的压力，为谵妄的爆发创造了完美的风暴环境。
这项工作的价值在于它不需要昂贵的新型测试或复杂的技术。模型使用的所有数据点都是重症监护室标准护理的一部分。研究人员发现，谵妄的风险不仅关乎大脑损伤本身，还与身体对危机的反应密切相关。模型表明，当中风患者入院时伴有感染、肾脏压力或呼吸支持需求时，其随后发生意识混乱的风险显著更高。这一洞察使医生能够在第一天内识别出高风险患者，从而在谵妄实际开始前，准备好加强监测或采取预防措施。
然而，研究人员谨慎地指出，该工具尚未准备好在每家医院中使用。该模型是使用单一数据库的数据构建和测试的，尚未被证明在不同的医院或不同的患者群体中有效。研究还依赖于系统中已有的记录，这意味着某些关于中风严重程度或特定镇静深度的细节并未被纳入。作者强调，虽然该模型是向前迈出的有希望的一步，但应将其视为一种标记需要额外关注的患者的方法，而非医生的细致判断的替代品。在此工具成为标准护理流程之前，它需要在多个中心进行现实世界的测试，以确保它能可靠地适用于所有人。目前，它清晰地展示了未来的混乱迹象往往就隐藏在显眼之处，等待着被正确的眼睛所解读。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。