view in publisher's site

Predicting central line-associated bloodstream infections and mortality using supervised machine learning

Highlights•Machine learning has proven to be useful for developing prediction models for outcomes in intensive care unit patients.•This study uses illness severity scores and comorbidities provided to train artificial intelligence classifiers.•These classifiers were highly accurate for predicting central line-associated bloodstream infections and mortality.•Such predictive models can be incorporated into existing medical record systems to support clinical decision making.AbstractPurposeThe purpose of this study was to compare machine learning techniques for predicting central line-associated bloodstream infection (CLABSI).Materials and methodsThe Multiparameter Intelligent Monitoring in Intensive Care III database was queried for all ICU admissions. The variables included six different severities of illness scores calculated on the first day of ICU admission with their components and comorbidities. The outcomes of interest were in-hospital mortality, central line placement, and CLABSI. Predictive models were created for these outcomes using classifiers with different algorithms: logistic regression, gradient boosted trees, and deep learning.ResultsThere were 57,786 total hospital admissions and the mortality rate was 10.1%. There were 38.4% patients with a central line and the rate of CLABSI was 1.5%. The classifiers using deep learning performed with the highest AUC for mortality, 0.885 ± 0.010 (p < 0.01) and central line placement, 0.816 ± 0.006 (p < 0.01). The classifier using logistic regression for predicting CLABSI performed with an AUC of 0.722 ± 0.048 (p < 0.01).ConclusionsThis study demonstrates models for identifying patients who will develop CLABSI. Early identification of these patients has implications for quality, cost, and outcome improvements.

پیش‌بینی infections و مرگ و میر در مسیر اصلی با استفاده از یادگیری ماشین نظارت شده

نکات مهم: یادگیری ماشین برای توسعه مدل‌های پیش‌بینی برای نتایج در بیماران بخش مراقبت‌های ویژه مفید است. این مطالعه از امتیازات شدت بیماری و comorbidities برای آموزش طبقه‌بندی کننده‌های اطلاعات مصنوعی استفاده می‌کند. * این طبقه‌بندی کننده‌ها برای پیش‌بینی خطر و مرگ و میر جریان خون در خط مرکزی بسیار دقیق بودند. چنین مدل‌های پیشگویانه را می توان در سیستم‌های ثبت پزشکی موجود تلفیق کرد تا از تصمیم بالینی making.Abst ractPurposeThe استفاده کند و هدف از این مطالعه مقایسه تکنیک‌های یادگیری ماشین برای پیش‌بینی عفونت جریان خون وابسته به خط مرکزی بود (CLABSI). مواد و methodsThe multiparameter مانیتورینگ هوشمند در پایگاه‌داده Intensive III برای همه پذیرش (ICU)بررسی شد. متغیرهای شامل شش severities مختلف بیماری است که در روز اول پذیرش ICU با مولفه‌های آن‌ها و comorbidities محاسبه شد. نتایج مورد علاقه، مرگ و میر در بیمارستان، قرار گیری خط مرکزی و CLABSI بود. مدل‌های پیش‌بینی برای این پیامدها با استفاده از طبقه‌بندی کننده‌ها با الگوریتم‌های مختلف ایجاد شدند: رگرسیون لجستیک، شیب boosted، و learning.Resu عمیق ltsThere در کل پذیرش بیمارستان بودند و نرخ مرگ و میر ۱۰.۱ درصد بود. بیش از ۳۸.۴ درصد بیماران با یک خط مرکزی وجود داشتند و نرخ of ۱.۵ % بود. طبقه‌بندی کننده‌ها با استفاده از یادگیری عمیق با بالاترین AUC برای مرگ و میر، ۰.۸۸۵ ± ۰.۰۱۰ (p < ۰.۰۱)و جایگزینی خط مرکزی، ۰.۸۱۶ ± ۰. طبقه‌بندی کننده با استفاده از رگرسیون منطقی برای پیش‌بینی CLABSI با AUC of ± ۰.۰۴۸ (p = ۰.۰۱)انجام می‌شود. این مطالعه مدل‌هایی را برای شناسایی بیمارانی که CLABSI را توسعه خواهند داد، نشان می‌دهد. شناسایی اولیه این بیماران دارای پیامدهایی برای بهبود کیفیت، هزینه، و بهبود نتایج است.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Critical Care and Intensive Care Medicine
  • ترجمه مقاله Critical Care and Intensive Care Medicine
  • مقاله مراقبت‌های ویژه و مراقبت‌های درمانی متمرکز
  • ترجمه مقاله مراقبت‌های ویژه و مراقبت‌های درمانی متمرکز
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.