临床预测模型是常用的风险与获益评估工具，可辅助医生、患者更好的做出医疗决策，辅助政府部门与卫生管理者有效的进行医疗质量管理，合理配置医疗资源。重症医学科(ICU)持续产生大量的数据流，通过监测患者生命体征的各种设备所提供的实时数据，基于机器学习方法开发面向应用的临床预测模型，可辅助临床医护人员及时判断或预测患者的病情以及病情何时恶化，及时提供给医护人员合理的建议。

日前，德扑圈官网_hhpoker俱乐部_德扑圈客服微信推荐携手北京协和医院在数据驱动的临床预测模型领域取得阶段性进展，以ICU患者数据为基础研发了多种机器学习模型并进行验证，研究涉及多种面向ICU临床应用场景的预测模型，如死亡预测模型、疾病严重程度预测模型、ICU住院时长预测模型、用药管理智能模型，以及临床表型组的划分模型等。双方研究团队联合撰写的多篇论文已被国际核心期刊收录。在ICU智能化任务中，这些临床预测模型会继续转化为辅助工具，经过充分的临床验证后，未来会集成到医院信息系统中，以期能够为ICU患者提供及时的监护。

ICU抗凝治疗

抗凝治疗是ICU的常见医疗场景。肝素是一种常用的抗凝剂，在临床实践中，使用肝素进行抗凝治疗时，需要严格控制肝素剂量以保持机体出凝血功能平衡，若剂量过少达不到抗凝效果，造成亚治疗，若剂量过多，则会引起自发性出血，导致超治疗。但目前肝素的计量给药，主要考虑患者的体重，容易引起剂量误差，从而导致亚治疗或超治疗。通过机器学习模型，对肝素用药患者进行预后预测，并为医生推荐更合理的肝素给药剂量。研究分别基于MIMIC-III和北京协和医院的ICU患者数据，使用一组临床特征，构建了一个智能抗凝临床预测模型。患者经过给定剂量UFH的治疗后，该模型可预测患者的aPTT处于合理范围的概率，进而进行肝素给药剂量的推荐。研究也对比了模型的给药剂量和临床医生的实际给药剂量，结果表明，模型有潜力改善肝素使用情况，从而为医生的临床决策提供支持。

连续性肾脏替代疗法（CRRT，Continuous Renal Replacement Therapy） 是重症医学病房内常用的器官替代支持方式，在重症患者中的应用非常广泛。局部枸橼酸抗凝（RCA）是重要的局部抗凝方法，常用于持续肾脏替代治疗(CRRT)。但在枸橼酸抗凝治疗中，在泵入枸橼酸剂量后，需要在治疗过程中，反复监测动脉游离钙离子浓度和肾全化验中肾全化验中总钙离子总浓度，并依据滤器后血气游离钙离子浓度调整泵入枸橼酸的剂量，以避免过度抗凝导致的枸橼酸中毒，危及患者生命，也应避免因抗凝不足导致抗凝效果不佳。因此，初始泵入的枸橼酸剂量成为影响抗凝效果的重要因素。项目团队研究了一套数据驱动的枸橼酸过量早期预警的模型，并对局部枸橼酸抗凝治疗中枸橼酸的泵入率和10%葡萄糖酸钙的泵入率提供调整建议。研究结果证实了机器学习方法对局部枸橼酸抗凝的监测和调整的可行性，并进一步为临床医生的诊疗计划提供决策支持。

ICU机械通气

呼吸机相关性肺损伤（VALI）普遍发生于ICU住院患者中。但无论是否患有急性呼吸窘迫综合征（ARDS），肺损伤都可能发生。其发生率与保护性机械通气（MV）的应用相关。研究旨在采用机器学习的方法确定ICU重症MV治疗的患者的临床表型，评估表型与疾病严重程度和临床结果之间的相关性。研究纳入已授权的北京协和医院危重病内科5,013例接受MV治疗的患者进行回顾性队列研究。综合采用统计和机器学习方法进行分析，在电子健康记录（EHR）系统中自动提取。使用外部数据库MIMIC- III进行验证。通过对机器学习模型聚类分析，发现了五种衍生表型，且不同组的人群中有显著的预后差别。这五种新发现的危重病人接受机械通气的表型可能有助于将来识别临床高危患者，辅助医生临床决策。

ICU脓毒症患者预后评估

脓毒症(Sepsis)，是ICU常见的临床综合征，也是全球重要的死亡原因，约五分之一的中国ICU患者被诊断为脓毒症。在实际治疗中，如能提前预测脓毒症患者的预后情况，对脓毒症患者及时采取或调整恰当的治疗方案有重要的意义。研究团队针对北京协和医院ICU三年时间内采集的2224个脓毒症患者，采用逻辑回归、随机森林和XGBoost三种机器学习方法，预测死亡率、脓毒症的严重程度（一般脓毒症，脓毒症休克）、以及ICU住院时长 (>6天, ≤ 6天)。实验结果表明，在进入ICU前六小时内，采用机器学习模型能针对脓毒症患者的死亡风险、疾病严重程度和ICU住院时长有效地做出预警，这对后期的治疗决断管理和医疗资源配置提供帮助。

未来，德扑圈官网_hhpoker俱乐部_德扑圈客服微信推荐医学研究人员将继续与临床医护人员、医院管理人员协同工作，共同开发并验证稳定可靠的临床预测模型，在政府机构、监管部门宏观政策的指导下，推进产品落地并将诸项成果整合到医院的工作流程中，以进一步提升诊疗效率与质量，大幅促进临床科研成果的创新。

联合发表文献：

1. Li D, Gao J, Hong N, Wang H, Su L, Liu C, He J, Jiang H, Wang Q, Long Y, Zhu W. A Clinical Prediction Model to Predict Heparin Treatment Outcomes and Provide Dosage Recommendations: Development and Validation Study. J Med Internet Res. 2021 May 20;23(5):e27118. doi: 10.2196/27118. PMID: 34014171; PMCID: PMC8176336.

2. Chen H, Ma Y, Hong N, Wang H, Su L, Liu C, He J, Jiang H, Long Y, Zhu W. Early warning of citric acid overdose and timely adjustment of regional citrate anticoagulation based on machine learning methods. BMC Med Inform Decis Mak. 2021 Jul 30;21(Suppl 2):126. doi: 10.1186/s12911-021-01489-8. PMID: 34330247; PMCID: PMC8323216.

3. Su L, Zhang Z, Zheng F, Pan P, Hong N, Liu C, He J, Zhu W, Long Y, Liu D. Five novel clinical phenotypes for critically ill patients with mechanical ventilation in intensive care units: a retrospective and multi database study. Respir Res. 2020 Dec 10;21(1):325. doi: 10.1186/s12931-020-01588-6. PMID: 33302940; PMCID: PMC7727781.

4.Su L, Xu Z, Chang F, Ma Y, Liu S, Jiang H, Wang H, Li D, Chen H, Zhou X, Hong N, Zhu W, Long Y. Early Prediction of Mortality, Severity, and Length of Stay in the Intensive Care Unit of Sepsis Patients Based on Sepsis 3.0 by Machine Learning Models. Front Med (Lausanne). 2021 Jun 28;8:664966. doi: 10.3389/fmed.2021.664966. PMID: 34291058; PMCID: PMC8288021.