在用于平均动脉压预测的机器学习模型中，只需要平均动脉压这一指标即可

《European Journal of Anaesthesiology》：Mean arterial pressure is all you need in a machine learning model for mean arterial pressure prediction

预测重症患者平均动脉压下降的机器学习模型研究显示，基于历史血压数据构建的模型在5-20分钟内预测MAP<65 mmHg的ROC AUC达0.804-0.963，对临床早期干预具有重要价值。

　　

摘要通俗语言摘要

---

背景

麻醉学和重症监护中使用监测技术来识别可能出现病情恶化的患者。传统上，通过观察趋势和早期预警评分，临床医生能够以中等程度的可靠性预测病情恶化。平均动脉血压降低与并发症相关，因此人们一直在寻求预测平均动脉血压变化的模型。在医疗护理中，已经使用了具有复杂输入数据的机器学习方法来进行预测性监测。

研究目的

本研究旨在评估机器学习是否能够根据过去的血压数据预测平均动脉血压（MAP）。

研究设计

这是一项单中心、回顾性的、探索性的观察性队列研究，使用了MIMIC-III-WDB、VitalDB以及一个内部研究中心的数据集，以在预测时间窗口前20分钟（5至20分钟）内通过侵入性方式测量的成人患者的血压数据作为输入，来训练机器学习模型。

研究地点

奥地利林茨的Kepler大学医院。

研究对象

分析了来自内部数据集的2346名患者、MIMIC-III-WDB的4741名患者以及VitalDB的3357名患者。

主要结局指标

主要终点是模型在预测患者在特定时间范围内平均动脉血压是否会降至65毫米汞柱以下的性能。在次要分析中，我们将输入数据限制在当前平均动脉血压高于65毫米汞柱的稳定患者范围内。

研究结果

使用完整训练数据的模型在内部数据集上，对于5分钟、10分钟、15分钟和20分钟的预测时间窗口，其接收者操作特征曲线下面积（ROC AUC）分别为0.963、0.946、0.934和0.923；在次要分析中分别为0.856、0.837、0.821和0.804。与基线测量值（即最后一次测量的平均动脉血压）相比，ROC AUC的最大差异分别为0.006（对于完整训练数据）和0.051（对于稳定患者）。通过预测平均动脉血压的变化，临床医生可以在病情恶化变得具有临床意义之前及时采取干预措施。

结论

无论患者的平均动脉血压是否高于65毫米汞柱，都可以预测其在5分钟、10分钟、15分钟和20分钟内的下降情况，并且机器学习模型仅需要平均动脉血压作为输入数据。

试验注册

ClinicalTrials.gov (NCT05471193)

导出