基于多模态机器学习的血液透析中低血压10分钟前风险预测框架

《IEEE Journal of Translational Engineering in Health and Medicine》：Multimodal Machine Learning for Intradialytic Hypotension Prediction Using Noncontact Radar-Derived Vital-Sign Summaries: A Single-Center Internal Validation Study

　　

摘要：

背景：间歇性的血压（BP）和血液透析（HD）机测量限制了透析中低血压（IDH）风险的持续更新评估。我们开发并内部验证了一个多模态机器学习框架，该框架整合了基于非接触式雷达的生理指标摘要、HD机参数和人口统计数据，用于预测未来10分钟内的IDH风险。方法：这项单中心研究纳入了233名HD患者、6147次透析会话和132,608个观察窗口。其中，375个窗口（0.28%）在10分钟内先于临床记录的IDH发生，涉及46名患者的325次事件。模型采用患者级别嵌套的五折交叉验证进行评估。主要的早期融合模型结合了人口统计、HD机和基于雷达的心率及呼吸率特征。进行了回归分析和排列特征重要性（PFI）分析，以评估临床关联并识别关键贡献因素。结果：多模态早期融合模型的受试者工作特征曲线下面积（AUROC）为86.62%（95%置信区间，82.19%–89.49%），精确率-召回率曲线下面积（AUPRC）为3.33%（2.23%–6.09%），召回率为78.72%（67.81%–85.31%），特异性为78.73%（72.90%–83.37%），精确率为1.09%（0.71%–1.44%）。它检测到了325次IDH事件中的260次（80.00%），每次会话有4.53个假阳性预测窗口。一个使用近期收缩压和超滤率信息的临床基线获得了更高的AUPRC（4.21%）。HD机特征提供了大部分预测信息；雷达和人口统计数据的增量贡献较小且统计上不确定。结论：在内部验证下，多模态10分钟前的IDH风险估计是可行的，尽管大部分短期预测信息来自HD机参数。还需要进一步的工作来确立连续雷达监测的增量临床价值。

显示更多