IJNS：基于机器学习的重症监护室入院后24h儿童谵妄预测

准确识别谵妄高危患者对于及时采取预防性干预措施至关重要。International Journal of Nursing Studies杂志发表了一项研究，开发和验证基于机器学习的模型，用于预测儿科重症监护室（PICU）入院后24h危重儿童的谵妄。

这项前瞻性队列研究是在中国西南部一家大型三级专科医院进行的。研究纳入2019年11月-2022年2月期间需要入住PICU的危重儿童。

采用五种机器学习算法。床边护士使用康奈尔儿童谵妄量表（CAPD）对所有连续患者进行谵妄筛查，每天两次（PICU期间上午9:00和下午5:00）。住院期间来自医疗和护理记录的24个临床特征被用于为模型提供信息。

研究纳入1576例患者，929名（58.9%）男孩，年龄从28天至15岁不等，中位年龄为12个月（IQR 3至60个月）。其中285名（18.1%）儿童接受了机械通气，741名（47.0%）儿童受到了肢体约束。训练队列包括1126名中位年龄为12月龄（IQR 3-59.75月龄）的患者；665名（59.1%）为男孩，295名（26.2%）有谵妄。验证队列包括450例患者，中位年龄为12月龄（IQR 3-60月龄）。264例（58.7%）男孩，115例（25.6%）有谵妄。

五个模型的AUC范围为0.763-0.805，其中极度梯度提升树XGBoost（XGB）模型表现最好，AUC为0.805（95%CI，0.759-0.851），准确度0.798（95%CI，0.758-0.834），灵敏度0.902，阳性预测值0.839，F1评分0.640，Brier评分0.144。

几乎所有模型在24月龄以下儿童中的预测性能都低于年龄较大儿童。逻辑回归（LR）模型也表现良好，AUC0.789（95%CI，0.739-0.838），略低于XGB模型，随后转化为列线图。

在LASSO特征选择后的15个候选因子中，筛选出8个因子形成最终的列线图。这8个因子是入院诊断（神经障碍）、认知或运动功能障碍、苯二氮卓类药物、右美托咪定、机械通气天数、肢体约束天数、睡眠剥夺以及看电视/听音乐/玩玩具。

结果表明，可以建立基于机器学习的模型，并可能有助于识别PICU入院后24h出现谵妄的高危儿童。列线图可能是目前PICU治疗谵妄的有益工具。

原文出处：

Lei Lei, Shuai Zhang, et al, Machine learning-based prediction of delirium 24 h after pediatric intensive care unit admission in critically ill children: A prospective cohort study, International Journal of Nursing Studies, 2023, https://doi.org/10.1016/j.ijnurstu.2023.104565.