Dự đoán sớm viêm phổi do sự hỗ trợ thông qua máy thở ở bệnh nhân ICU: một mô hình học máy

Viêm phổi do sự hỗ trợ thông qua máy thở (VAP) là loại viêm phổi bệnh viện phổ biến nhất ở các bệnh nhân trong tình trạng nguy kịch. Sự xuất hiện của VAP không chỉ kéo dài thời gian hỗ trợ thông qua máy thở mà còn kéo dài thời gian nằm viện tại đơn vị chăm sóc cấp cứu và bệnh viện, từ đó gây tăng chi phí chăm sóc sức khỏe và dẫn đến tình trạng dự báo tồi hơn.

Nhiều nghiên cứu đã chỉ ra rằng có một số yếu tố nguy cơ có liên quan đến VAP. Một số yếu tố nguy cơ đó là những yếu tố riêng của bệnh nhân, chẳng hạn như tuổi tác, bệnh đã có trước đó (bệnh tắc nghẽn phổi mãn tính, COPD) và điểm giấc ngủ Glasgow ít hơn hoặc bằng 9. Các yếu tố khác liên quan đến quá trình chăm sóc, chẳng hạn như góc đầu giường, họng hấp cấp, hít vào, điều trị kháng sinh trước đó và việc hít lại thông qua ống nội – ngoại vi [^1^].

Việc nhận diện sớm những bệnh nhân có nguy cơ mắc VAP cao và ngăn ngừa sự tiến triển của nó là rất quan trọng trong các đơn vị chăm sóc nguy kịch. Các bác sĩ chuyên khoa đã nghiên cứu về một mô hình dự đoán nguy cơ VAP trong nhiều năm. Một số mô hình dự đoán hiện có được sử dụng để dự đoán tỷ lệ tử vong ở bệnh nhân mắc VAP. Điểm Phân tích Nhiễm trùng Phổi lâm sàng (CPIS, có giá trị từ 0 đến 12) là một điểm số dựa trên các tham số chung (nhiệt độ cơ thể, số lượng bạch cầu, khối lượng và tính chất của chất nhầy ống khí, sự oxy hóa mạch, X-quang ngực và nhu cầu hóa xét nghiệm của chất hít họng). Điểm này có độ chính xác từ trung bình đến tốt trong dự đoán VAP và dễ dàng thực hiện trong lâm sàng [^2^]. Tuy nhiên, chưa có mô hình dự đoán nguy cơ VAP sớm nào.

READ  Biến đổi quy định về biển số xe cơ giới

Thuật toán học máy đã trở thành công cụ quan trọng hơn khi nó có thể chính xác hơn so với phân tích hồi quy thông thường truyền thống, điều này đã được đề xuất trong các nghiên cứu so sánh trước đó. Trong tất cả các thuật toán học máy, random forest cho hồi quy và phân loại đã thu hút sự quan tâm đáng kể. Đây là một kỹ thuật “học tập tập thể” bao gồm tổng hợp của một số lượng lớn cây quyết định. Đối với các nhiệm vụ phân loại, kết quả của random forest là lớp được chọn bởi hầu hết các cây và đối với các nhiệm vụ hồi quy, dự đoán trung bình của các cây riêng lẻ được trả về, dẫn đến hiệu suất và giảm phương sai tốt hơn [^3^]. Nghiên cứu đã áp dụng thuật toán random forest để xây dựng một bộ phân loại cơ bản cho dự đoán sớm viêm phổi do sự hỗ trợ thông qua máy thở ở các bệnh nhân ICU.

Mục tiêu của nghiên cứu này là sử dụng cơ sở dữ liệu Medical Information Mart for Intensive Care (MIMIC)-III để phát triển và xác nhận các mô hình học máy cho việc phân biệt sớm các bệnh nhân có nguy cơ cao mắc VAP 24 giờ sau khi được cắm ống thông qua và đánh giá độ chính xác dự báo. Cơ sở dữ liệu MIMIC là một cơ sở dữ liệu đơn trung tâm, mở rộng và lớn mà các nhà nghiên cứu trên toàn thế giới có thể sử dụng miễn phí, và nó đã được sử dụng rộng rãi trong việc phát triển các mô hình dự đoán, các nghiên cứu dịch tễ học và các khóa học giáo dục [^4^]. Ngoài ra, chúng tôi cũng so sánh hiệu suất của mô hình dựa trên CPIS (giá trị ngưỡng ≥ 3) sử dụng cùng các bộ dữ liệu huấn luyện và kiểm tra.

READ  CỔNG THÔNG TIN ĐIỆN TỬ
[^1^]: Link-Sửa Xe Máy TPHCM Uy Tín Sửa Xe Máy 24h Sài Gòn Lưu Động (https://suaxemay24hsaigon.com)

[^2^]: Link-Sửa Xe Máy TPHCM Uy Tín Sửa Xe Máy 24h Sài Gòn Lưu Động (https://suaxemay24hsaigon.com)

[^3^]: Link-Sửa Xe Máy TPHCM Uy Tín Sửa Xe Máy 24h Sài Gòn Lưu Động (https://suaxemay24hsaigon.com)

[^4^]: Link-Sửa Xe Máy TPHCM Uy Tín Sửa Xe Máy 24h Sài Gòn Lưu Động (https://suaxemay24hsaigon.com)