基于机器学习的ICU患者每8小时谵妄预测模型：开发与验证研究

本研究创新性地开发了基于CatBoost等算法的动态预测模型，通过每8小时分析ICU电子病历数据（包括重症监护谵妄筛查量表ICDSC和格拉斯哥昏迷量表GCS评分），实现谵妄发生的高精度预测（AUC=0.886）。该模型利用常规护理观察变量，为临床护士提供实时风险预警，有望优化谵妄预防资源配置。

　　

Highlight

本研究亮点在于首次实现ICU谵妄的8小时级动态预测，突破传统24小时静态模型限制，为临床提供更精准的干预时间窗。

Study design

采用单中心回顾性队列研究设计，严格遵循TRIPOD+AI指南，从电子健康记录和护理文档中提取2321次谵妄评估数据（35.4%阳性率），通过四种机器学习算法对比开发预测模型。

Patient characteristics

研究纳入273例ICU患者（中位年龄77岁），62.3%发生谵妄。急诊入院占90%，机械通气率达72%，高基线风险人群特征为模型验证提供真实世界场景。

Discussion

CatBoost模型展现出最佳预测性能：测试集准确率0.816，特异性0.900，精准平衡召回率（0.668）与精确度（0.775）。时序性护理观察变量（如ICDSC子项波动）被证实为关键预测因子，印证护士床边评估的临床价值。

Conclusion

该AI预测模型通过常规护理数据实现谵妄风险动态监测，为"精准护理"提供技术支撑。未来需扩大样本验证跨中心适用性，最终实现降低导管拔除等谵妄相关不良事件的目标。