国产91一二三四五在线观看-午夜国产在线-亚洲成人影片-最近日本中文字幕中文-亚洲熟 女毛茸茸-天天曰夜夜曰天天干

臨床預測模型是常用的風險與獲益評估工具，可輔助醫生、患者更好的做出醫療決策，輔助政府部門與衛生管理者有效的進行醫療質量管理，合理配置醫療資源。重癥醫學科(ICU)持續產生大量的數據流，通過監測患者生命體征的各種設備所提供的實時數據，基于機器學習方法開發面向應用的臨床預測模型，可輔助臨床醫護人員及時判斷或預測患者的病情以及病情何時惡化，及時提供給醫護人員合理的建議。

日前，神州醫療攜手北京協和醫院在數據驅動的臨床預測模型領域取得階段性進展，以ICU患者數據為基礎研發了多種機器學習模型并進行驗證，研究涉及多種面向ICU臨床應用場景的預測模型，如死亡預測模型、疾病嚴重程度預測模型、ICU住院時長預測模型、用藥管理智能模型，以及臨床表型組的劃分模型等。雙方研究團隊聯合撰寫的多篇論文已被國際核心期刊收錄。在ICU智能化任務中，這些臨床預測模型會繼續轉化為輔助工具，經過充分的臨床驗證后，未來會集成到醫院信息系統中，以期能夠為ICU患者提供及時的監護。

ICU抗凝治療

抗凝治療是ICU的常見醫療場景。肝素是一種常用的抗凝劑，在臨床實踐中，使用肝素進行抗凝治療時，需要嚴格控制肝素劑量以保持機體出凝血功能平衡，若劑量過少達不到抗凝效果，造成亞治療，若劑量過多，則會引起自發性出血，導致超治療。但目前肝素的計量給藥，主要考慮患者的體重，容易引起劑量誤差，從而導致亞治療或超治療。通過機器學習模型，對肝素用藥患者進行預后預測，并為醫生推薦更合理的肝素給藥劑量。研究分別基于MIMIC-III和北京協和醫院的ICU患者數據，使用一組臨床特征，構建了一個智能抗凝臨床預測模型。患者經過給定劑量UFH的治療后，該模型可預測患者的aPTT處于合理范圍的概率，進而進行肝素給藥劑量的推薦。研究也對比了模型的給藥劑量和臨床醫生的實際給藥劑量，結果表明，模型有潛力改善肝素使用情況，從而為醫生的臨床決策提供支持。

連續性腎臟替代療法（CRRT，Continuous Renal Replacement Therapy） 是重癥醫學病房內常用的器官替代支持方式，在重癥患者中的應用非常廣泛。局部枸櫞酸抗凝（RCA）是重要的局部抗凝方法，常用于持續腎臟替代治療(CRRT)。但在枸櫞酸抗凝治療中，在泵入枸櫞酸劑量后，需要在治療過程中，反復監測動脈游離鈣離子濃度和腎全化驗中腎全化驗中總鈣離子總濃度，并依據濾器后血氣游離鈣離子濃度調整泵入枸櫞酸的劑量，以避免過度抗凝導致的枸櫞酸中毒，危及患者生命，也應避免因抗凝不足導致抗凝效果不佳。因此，初始泵入的枸櫞酸劑量成為影響抗凝效果的重要因素。項目團隊研究了一套數據驅動的枸櫞酸過量早期預警的模型，并對局部枸櫞酸抗凝治療中枸櫞酸的泵入率和10%葡萄糖酸鈣的泵入率提供調整建議。研究結果證實了機器學習方法對局部枸櫞酸抗凝的監測和調整的可行性，并進一步為臨床醫生的診療計劃提供決策支持。

ICU機械通氣

呼吸機相關性肺損傷（VALI）普遍發生于ICU住院患者中。但無論是否患有急性呼吸窘迫綜合征（ARDS），肺損傷都可能發生。其發生率與保護性機械通氣（MV）的應用相關。研究旨在采用機器學習的方法確定ICU重癥MV治療的患者的臨床表型，評估表型與疾病嚴重程度和臨床結果之間的相關性。研究納入已授權的北京協和醫院危重病內科5,013例接受MV治療的患者進行回顧性隊列研究。綜合采用統計和機器學習方法進行分析，在電子健康記錄（EHR）系統中自動提取。使用外部數據庫MIMIC- III進行驗證。通過對機器學習模型聚類分析，發現了五種衍生表型，且不同組的人群中有顯著的預后差別。這五種新發現的危重病人接受機械通氣的表型可能有助于將來識別臨床高危患者，輔助醫生臨床決策。

ICU膿毒癥患者預后評估

膿毒癥(Sepsis)，是ICU常見的臨床綜合征，也是全球重要的死亡原因，約五分之一的中國ICU患者被診斷為膿毒癥。在實際治療中，如能提前預測膿毒癥患者的預后情況，對膿毒癥患者及時采取或調整恰當的治療方案有重要的意義。研究團隊針對北京協和醫院ICU三年時間內采集的2224個膿毒癥患者，采用邏輯回歸、隨機森林和XGBoost三種機器學習方法，預測死亡率、膿毒癥的嚴重程度（一般膿毒癥，膿毒癥休克）、以及ICU住院時長 (>6天, ≤ 6天)。實驗結果表明，在進入ICU前六小時內，采用機器學習模型能針對膿毒癥患者的死亡風險、疾病嚴重程度和ICU住院時長有效地做出預警，這對后期的治療決斷管理和醫療資源配置提供幫助。

未來，神州醫療醫學研究人員將繼續與臨床醫護人員、醫院管理人員協同工作，共同開發并驗證穩定可靠的臨床預測模型，在政府機構、監管部門宏觀政策的指導下，推進產品落地并將諸項成果整合到醫院的工作流程中，以進一步提升診療效率與質量，大幅促進臨床科研成果的創新。

聯合發表文獻：

1. Li D, Gao J, Hong N, Wang H, Su L, Liu C, He J, Jiang H, Wang Q, Long Y, Zhu W. A Clinical Prediction Model to Predict Heparin Treatment Outcomes and Provide Dosage Recommendations: Development and Validation Study. J Med Internet Res. 2021 May 20;23(5):e27118. doi: 10.2196/27118. PMID: 34014171; PMCID: PMC8176336.

2. Chen H, Ma Y, Hong N, Wang H, Su L, Liu C, He J, Jiang H, Long Y, Zhu W. Early warning of citric acid overdose and timely adjustment of regional citrate anticoagulation based on machine learning methods. BMC Med Inform Decis Mak. 2021 Jul 30;21(Suppl 2):126. doi: 10.1186/s12911-021-01489-8. PMID: 34330247; PMCID: PMC8323216.

3. Su L, Zhang Z, Zheng F, Pan P, Hong N, Liu C, He J, Zhu W, Long Y, Liu D. Five novel clinical phenotypes for critically ill patients with mechanical ventilation in intensive care units: a retrospective and multi database study. Respir Res. 2020 Dec 10;21(1):325. doi: 10.1186/s12931-020-01588-6. PMID: 33302940; PMCID: PMC7727781.

4.Su L, Xu Z, Chang F, Ma Y, Liu S, Jiang H, Wang H, Li D, Chen H, Zhou X, Hong N, Zhu W, Long Y. Early Prediction of Mortality, Severity, and Length of Stay in the Intensive Care Unit of Sepsis Patients Based on Sepsis 3.0 by Machine Learning Models. Front Med (Lausanne). 2021 Jun 28;8:664966. doi: 10.3389/fmed.2021.664966. PMID: 34291058; PMCID: PMC8288021.