这篇文档属于类型a，因为它报告了一项单一的原创研究。以下是对该研究的学术报告：
主要作者和研究机构
本研究由Chanmin Park、Changho Han、Su Kyeong Jang、Hyungjun Kim、Sora Kim、Byung Hee Kang、Kyoungwon Jung和Dukyong Yoon共同完成。研究机构包括延世大学医学院生物医学系统信息学系、Bud.on Inc.、Ajou大学医院京畿南区域创伤中心以及Ajou大学医学院创伤外科系。该研究于2025年发表在《Journal of Medical Internet Research》期刊上。
学术背景
本研究的主要科学领域是重症监护病房（ICU）中谵妄（delirium）的早期预测。谵妄是ICU患者中常见的神经精神综合征，表现为意识波动和定向障碍，严重影响患者预后和医疗资源效率。尽管已有一些预测工具（如PRE-DELIRIC和E-PRE-DELIRIC），但其性能在外部验证中表现不佳，且大多依赖静态变量，无法实时更新预测。因此，本研究旨在开发一种基于机器学习的模型，利用ICU中常规监测的连续生理数据（如心电图、光电容积描记图和呼吸波形）实时预测谵妄的发生。研究的目标是开发一种适用于广泛ICU患者的非侵入性预测模型，以支持早期干预和资源优化。
详细工作流程
研究分为以下几个主要步骤：
- 数据收集与研究对象
研究数据来自两家医疗机构：Yongin Severance医院和Ajou大学医院。研究对象为ICU住院患者，纳入标准包括年龄≥18岁、使用ICU混淆评估方法（CAM-ICU）进行谵妄评估，且在谵妄诊断或非诊断前至少4小时的数据记录。研究共纳入5478条记录，其中5129条用于模型训练，349条用于内部验证。此外，研究还进行了时间验证（4438条记录）和外部验证（670名患者数据）。
- 特征提取与数据预处理
研究使用ICU中常规监测的生理信号（如心电图、光电容积描记图和呼吸波形）以及患者基本信息（如年龄、性别）作为模型输入。特征提取包括Hjorth参数（活动性、复杂性和移动性）、峰度和偏度等。数据预处理包括噪声去除、归一化和缺失值处理，以确保数据质量。
- 模型开发与算法选择
研究评估了三种基于树的机器学习算法：随机森林（Random Forest, RF）、极端随机树（Extra-Trees Classifier）和轻量梯度提升机（Light Gradient Boosting Machine, LightGBM）。通过比较接收者操作特征曲线下面积（AUROC）等指标，最终选择随机森林作为最终模型。
- 模型验证
研究通过内部验证、时间验证和外部验证评估模型性能。内部验证的AUROC为0.82，时间验证为0.73，外部验证为0.84。此外，研究还进行了决策曲线分析（Decision Curve Analysis）和校准曲线分析，以评估模型的临床实用性。
- 统计分析
研究使用Cohen κ系数评估CAM-ICU结果的可靠性（κ=0.81），并通过SHAP（Shapley Additive Explanations）值分析各特征对模型预测的贡献。
主要结果
- 模型性能
随机森林模型在内部验证中表现出色，AUROC为0.82，AUPRC（精确率-召回率曲线下面积）为0.62。在时间验证中，模型性能保持稳定（AUROC=0.73，AUPRC=0.85），在外部验证中表现优异（AUROC=0.84，AUPRC=0.77）。
- 特征重要性
年龄是模型预测的最重要特征，其次是光电容积描记图、呼吸波形和血氧饱和度（SpO2）等生理信号。这些特征与谵妄的发生密切相关，支持了模型的预测能力。
- 临床实用性
决策曲线分析显示，模型在所有阈值下均具有正净收益，表明其在临床决策中的潜在价值。时间模式分析显示，模型评分在谵妄诊断时间临近时逐渐增加，进一步验证了模型的实时预测能力。
结论
本研究成功开发了一种基于机器学习的谵妄预测模型，利用ICU中常规监测的连续生理数据实现了高精度预测。模型在内部、时间和外部验证中均表现出色，展示了其在广泛ICU患者中的适用性。研究结果表明，连续生理数据能够捕捉谵妄发生前的微妙变化，为早期干预提供了重要依据。该模型的非侵入性和实时更新特性使其在临床应用中具有显著优势。
研究亮点
- 创新性方法
本研究首次将连续生理数据（如心电图、光电容积描记图和呼吸波形）与机器学习相结合，用于ICU谵妄的实时预测。与现有模型相比，该方法能够更早地捕捉谵妄的前兆。
- 高泛化能力
模型在时间验证和外部验证中均表现出色，展示了其在不同患者群体和临床环境中的广泛适用性。
- 临床实用性
通过决策曲线分析和校准曲线分析，研究证明了模型在临床决策中的实际应用价值，为ICU患者的谵妄管理提供了有力支持。
其他有价值的内容
研究还探讨了模型在不同年龄组中的性能，结果显示模型在各年龄组中均表现稳定，进一步验证了其广泛适用性。此外，研究还提供了详细的模型开发流程和验证方法，为未来相关研究提供了重要参考。
总之，本研究为ICU谵妄的早期预测提供了一种高效、实用的工具，具有重要的科学价值和临床应用前景。