IF=8.5！MIMIC指标SHR再发一区|MIMIC-IV数据库周报（10.12~10.18）
文摘
健康
2024-11-13 17:52
浙江
重症医学数据库（MIMIC）是由计算生理学实验室开发的公开数据集，其中包括与数千个重症监护病房入院相关的去识别化健康数据，致力于推动临床信息学、流行病学和机器学习的研究。MIMIC数据库于2003年在美国国立卫生研究院的资助下，由美国麻省理工学院计算生理学实验室、美国哈佛医学院贝斯以色列女执事医疗中心(Beth Israel Deaconess Medical Center，BIDMC)和飞利浦医疗公司共同建立。MIMIC 数据库目前已经产生了MIMIC Ⅱ、Ⅲ、Ⅳ三个版本，包含了BIDMC所有内外科ICU患者的数据。MIMIC Ⅲ数据库收集了BIDMC 2001年6月至2012年10月ICU收治的53423例成年患者数据和2001年至2008年收治的7870例新生儿重症患者数据。MIMIC Ⅳ数据库在MIMIC Ⅲ的基础上做了一些改进，包括数据更新和部分表格重构，收集了2008至2019年BIDMC收治的超过19万名患者、45万次住院记录的临床数据。数据库收集了三类数据：临床数据，从ICU信息系统和医院档案中汇总;高分辨率生理数据，从床边监护仪获得;死亡数据，来自社会保障局死亡档案。![]()
2024.10.05-2024.10.11PubMed数据库“标题/摘要：MIMIC-IV OR MIMIC-III”搜索发现，共发表9篇MIMIC-IV论文。其中1篇一区、4篇二区。
外国学者文章
![]()
文章题目：机器学习预测意外再入院或重症监护出院后死亡：一项回顾性队列研究。研究背景：重症监护病房（icu）是病情最严重、最需要医疗护理的病人的避难所。出院时需考虑入院原因及ICU护理后的稳定性。ICU出院后器官功能障碍或不稳定可能危及患者生命。方法：这是一项在奥地利林茨开普勒大学医院icu进行的单中心、观察性、回顾性队列研究。本研究纳入2010年1月1日至2019年10月31日期间入住研究中心icu的18岁及以上患者。转移到其他ICU的患者、出院到不同的医院或家庭的患者，或在ICU住院期间死亡的患者被排除在外。我们使用机器学习（ML）模型来预测非计划的ICU再入院或死亡，使用内部数据集或MIMIC-IV作为训练数据，并将模型与转移稳定性和工作量指数（SWIFT）评分进行比较。此外，我们使用Shapley加性解释评估了特征对模型的影响。结果：最佳ML模型的受试者工作特征曲线下面积（AUC-ROC）为0.721±0.029，阴性预测值（NPV）为0.990±0.002。最重要的特征是心率、外周氧饱和度和动脉血压。SWIFT评分的表现较ML模型差（最佳AUC-ROC为0.618±0.011）。
结论：ML模型能够识别不需要计划外ICU再入院的患者，并且在出院后48小时内不会死亡。
![]()
文章题目：一项回顾性研究利用MIMIC-IV数据库探讨危重症脓毒症患者甘油三酯-葡萄糖指数与死亡率之间的潜在关联。研究背景：甘油三酯-葡萄糖（TyG）指数已成为检测胰岛素抵抗（IR）的一种新的生物标志物，并已被证明与多种疾病相关。然而，其与严重脓毒症预后的相关性仍不清楚。数据来源：这项回顾性队列研究利用重症监护医疗信息市场（MIMIC-IV，版本2.2）的患者记录来检查脓毒症患者的预后。方法：主要结局是医院死亡率和重症监护病房（ICU）死亡率。通过Kaplan-Meier法、Log-rank检验、单因素和多因素Cox回归分析评估TyG指数与结局的相关性。此外，采用限制性三次样条（RCS）回归分析，探讨基线TyG指数与预后之间的非线性关系，并通过四分位数水平评估趋势显著性。进行亚组分析以评估TyG指数在各种影响因素中的预后价值的一致性。结果：该研究包括1742名需要重症监护的败血症患者。住院死亡率为19.75% (344/ 1742)，ICU死亡率为14.75%（257/ 1742）。Cox回归分析显示，与第1四分位数（Q1）相比，第4四分位数（Q4）患者住院死亡风险高63% (HR 1.63 [95% CI 1.22 ~ 2.18], P < 0.01)， ICU死亡风险高79% （HR 1.79 [95% CI 1.28 ~ 2.51], P < 0.001）。模型3显示，Q4、Q3和Q2的ICU死亡风险分别高出240%、75%和33% (HR 3.40 [95% CI 2.24 ~ 5.16], P < 0.001；HR 1.75 [95% CI 1.16 ~ 2.63], P = 0.007；HR 1.33 [95% CI 1.20 ~ 1.53], P < 0.001)。RCS回归分析发现TyG指数与死亡率之间存在非线性关联(总P < 0.001；P表示非线性< 0.001，拐点为8.9)。亚组分析显示，不同亚组的效应大小和方向一致，表明结果的稳定性。结论：本研究表明，TyG指数升高与危重症脓毒症患者院内及ICU死亡风险升高显著相关，且存在非线性相关。因此，TyG指数有助于鉴别ICU脓毒症患者的死亡率预后。
![]()
文章题目：危重心房颤动患者应激性高血糖比值指数与全因死亡率的关系：一项使用MIMIC-IV数据库的回顾性研究。研究背景：应激性高血糖比（SHR）是为了减轻长期慢性血糖因子对应激性高血糖水平的影响而开发的，应激性高血糖水平与不良临床事件，特别是心血管事件有关。然而，关于心房颤动（AF）患者SHR指数及其预后意义的研究缺乏。研究目的：本研究旨在评估重症房颤患者入院时SHR指数与全因死亡率的关系。数据来源：从重症监护医学信息市场IV （MIMIC-IV）数据库中提取患者资料。方法：根据SHR指数将所有患者分为四组。结果包括主要终点和次要终点，主要终点是30天和365天的全因死亡率，次要终点是90天和180天的全因死亡率。SHR指数采用四分位数进行分析，各组结果采用Kaplan-Meier曲线进行比较。采用Cox比例风险回归和限制性三次样条（RCS）评估SHR指数与结果之间的关系。结果：在1,685名参与者中，平均年龄为63.12岁（范围：40.17至101.49），其中1004名（59.58%）为男性。Kaplan-Meier曲线显示，较高水平的SHR指数与30天、90天、180天和365天全因死亡风险增加相关（log-rank P < 0.01）。此外，Cox比例风险回归分析显示，在SHR指数最高的四分位数中，这些时间点的死亡风险显著更高。限制性三次样条（RCS）分析显示，SHR指数与全因死亡率呈u型关系，30天死亡率的拐点为0.73,365天死亡率的拐点为0.76。与SHR水平低于这些拐点的患者相比，SHR水平较高的患者30天全因死亡率增加69.9%(危险比[HR] 1.699；95%可信区间[CI] 1.336 ~ 2.159)， 365天全因死亡率增加61.6% (HR 1.616；95% CI 1.345 ~ 1.942)。
结论：在危重房颤患者中，较高的SHR指数水平与30天、90天、180天和365天全因死亡风险增加显著相关。SHR指数可作为评估房颤严重程度和指导ICU房颤患者治疗的有效指标。
![]()
文章题目：强化学习优化有创机械通气患者的呼吸机设置：回顾性研究。研究背景：在过去的20年里，重症监护医学的一个重大变化是认识到不适当的机械通气设置在很大程度上导致了危重患者的肺损伤。人工智能（AI）解决方案可以优化重症监护病房（icu）的机械通气设置，并改善患者的预后。具体来说，机器学习算法可以在患者信息和机械通气设置的大型数据集上进行训练。然后，这些算法可以预测患者对不同通气策略的反应，并为个体患者提供个性化的通气设置建议。研究目的：在本研究中，我们旨在设计和评估一种人工智能解决方案，该解决方案可以为每位需要机械通气的危重患者量身定制最佳呼吸机策略。数据来源：使用了来自MIMIC-IV 数据库的数据。方法：利用美国多个icu的观测数据，我们提出了一种基于强化学习的人工智能解决方案。主要终点是住院死亡率。次要结果为最佳血氧饱和度比例和最佳平均动脉血压比例。我们训练我们的人工智能代理，根据患者的健康状况，推荐低、中、高水平的3种呼吸机设置——呼气末正压、吸入氧分数和理想体重调整潮汐容量。我们将政策定义为在特定临床情况下指导呼吸机设置更改的规则。采用非策略评价指标对人工智能策略进行评价。结果：我们分别研究了来自e重症监护室合作研究（eICU）和重症监护医学信息市场IV （MIMIC-IV）数据库的21,595和5105例患者的ICU住院情况。使用学习到的AI策略，我们估计医院死亡率(eICU 12.1%, SD 3.1%；MIMIC-IV 29.1%, SD 0.9%)，最佳血氧饱和度比例(eICU 58.7%, SD 4.7%；MIMIC-IV 49%, SD 1%)，最佳平均动脉血压比例(eICU 31.1%, SD 4.5%；Mimic-iv 41.2%, sd 1%)。基于多个定量和定性评估指标，我们提出的人工智能解决方案优于临床观察。结论：我们的研究发现，与实际死亡率相比，为个体患者定制通气设置导致较低的估计医院死亡率。这凸显了使用强化学习方法开发人工智能模型以分析复杂临床数据以优化治疗参数的潜在有效性。此外，我们的研究结果建议将该模型整合到临床决策支持系统中，以改进通气设置，支持前瞻性验证试验的需要。
![]()
文章题目：基于危险因素的综合nomogram预测败血症相关脑病患者一年死亡率。研究背景：脓毒症相关脑病（SAE）是脓毒症患者常见且严重的并发症，其特征是全身性炎症导致弥漫性脑功能障碍。准确预测这些患者的长期死亡率对于改善临床结果和指导治疗策略至关重要。数据来源：我们使用MIMIC IV数据库进行了一项回顾性队列研究，以确定诊断为SAE的成年患者。方法：患者随机分为训练组（70%）和验证组（30%）。采用最小绝对收缩、选择算子回归和多变量逻辑回归来确定1年死亡率的显著预测因子，然后将其用于开发预后nomogram。分别通过受试者工作特征曲线下面积（AUC）、校准图和决策曲线分析来评估模型的识别性、校准性和临床实用性。结果：共有3,882例SAE患者纳入分析。nomogram表现出较强的预测性能，在训练集中auc为0.881 (95% CI: 0.865, 0.896)，在验证集中auc为0.859 （95% CI: 0.830, 0.888）。校正图显示预测的1年死亡率和观察到的1年死亡率吻合良好。决策曲线分析表明，与传统的评分系统（如格拉斯哥昏迷量表和顺序器官衰竭评估）相比，nomogram在阈值概率范围内提供了更大的净收益。结论：我们的研究提出了一个可靠且临床适用的预测SAE患者1年死亡率的nomogram。与现有的严重程度评分系统相比，该工具提供了优越的预测性能，并具有显著的潜力，可以加强临床决策和重症监护环境中的患者管理。更多文章如下：
![]()
![]()
