免费医学论文发表-有创和无创通气总持续时间的机器学习预测 ICU 住院期间
抽象
预测 ICU 的通气持续时间有助于评估呼吸机诱发的肺损伤风险，确保充足的氧合，并优化资源分配。以前的模型提供了对总持续时间的预测，而不区分有创和无创通气。本工作提出了两种独立的梯度提升回归模型，用于基于常用的ICU特征预测有创和无创通气的持续时间。这些模型在 2 年至 6 年期间对 350 家美国医院的 2010 万患者进行了训练。预测持续时间的平均绝对误差（MAE）为有创通气2019.2天，无创通气08.0天。我们的模型预测的总通气持续时间的MAE为36.2天，优于MAE为38.3天的黄金标准（APACHE）。训练模型的特征重要性分析表明，对于有创通气、高平均心率、呼吸道感染的诊断和从手术室以外的地点入院与较长的通气持续时间有关。对于无创通气，较高的呼吸频率和任何GCS测量与更长的持续时间有关。
作者摘要
这项研究旨在提高预测ICU患者需要呼吸机时间的准确性，这对于患者安全和医院资源管理至关重要。以前的预测模型没有区分有创和无创通气。然而，我们的研究为每种方法提出了单独的模型，我们使用来自近十年的350家美国医院的患者数据开发了这些模型。我们使用了一种称为梯度提升回归的技术，它利用了常用的ICU数据。我们的模型性能明显优于现有标准，误差明显较低。此外，我们的研究结果强调了增加通气持续时间的关键因素，包括高心率和有创通气的呼吸道感染诊断，以及更高的呼吸频率和任何无创通气的格拉斯哥昏迷量表（GCS）测量。因此，这些模型可以帮助医疗保健专业人员在患者治疗方面做出更明智的决策，并更有效地管理他们的资源。
数字
Fig 2Fig 3Fig 4表1表2图1Fig 2Fig 3Fig 4表1表2图1
引文： Schwager E， Liu X， Nabian M， Feng T， French RM， Amelung P， et al. （2023） ICU住院期间有创和无创通气总持续时间的机器学习预测。公共科学图书馆数字健康 2（9）： e0000289. https://doi.org/10.1371/journal.pdig.0000289
编辑 器： 纳达夫·拉波波特，以色列内盖夫本古里安大学
收到： 17月 2023， 30;接受： 2023月 13， 2023;发表： <>月 <>， <>
版权： ? 2023 施瓦格等人。这是一篇根据知识共享署名许可条款分发的开放获取文章，该许可允许在任何媒体上不受限制地使用、分发和复制，前提是注明原作者和来源。
数据可用性： 为了开发论文中描述的模型，我们使用了飞利浦拥有的数据，这些数据记录了从 4 年到 2010 年的约 2021 万患者。该数据集是从美国的 Tele-ICU 客户那里获得的，这些客户同意与飞利浦用于研究共享他们的数据。鉴于与这些客户的合同的性质，无法公开共享完整的数据集。但是，我们已经公开共享了数据集的一个子集，包括200万名患者，作为我们通过Physionet：https://eicu-crd.mit.edu/ 与麻省理工学院合作的一部分。读者可以轻松下载此数据集并复制这项工作中的许多结果。更新的数据集将在同一网站上共享，包括 200 年和 2020 年的 2021 万名患者。由于 COVID-19 大流行，这项工作中未使用这些较新的数据。欢迎有兴趣的研究人员在以下地址提交数据访问请求： https://www.usa.philips.com/healthcare/e/enterprise-telehealth/eri.
资金： 作者没有为这项工作获得具体资金。
竞争利益： 提交人声明不存在相互竞争的利益。
1. 简介
机械通气是重症监护病房 （ICU） 危重症患者的救生干预措施。适当的通气管理旨在为患者提供足够的氧合，同时避免肺损伤或感染等有害影响。决定最佳通气策略（包括通气模式、患者通气设置和通气持续时间）可能具有挑战性。较长的通气时间会增加患者发生呼吸机相关并发症的风险，包括死亡[1]，而插管延迟可带来显著风险[2,3]。另一方面，无创通气越来越多地用于减轻或补充有创机械通气的使用[4,5]。
用于基准测试的机器学习模型可用于各种患者管理结果和临床实践，例如预测ICU住院时间，死亡率和机械通气持续时间。对机构的通风实践进行基准测试，包括将其通风策略与其他机构的通风策略进行比较，可以为遵守标准、通风实践和结果提供有价值的见解。由于不同机构采用广泛的通风管理策略，这一点尤其重要。[6,8,9]。基准测试通常通过旨在比较实际结果与预测结果的预测模型来完成。这些预测模型还可用于患者护理期间的临床决策支持系统。
一些研究利用机器学习来预测患者的通气总持续时间[10-12]。用于此目的最广泛的模型之一是APACHE（急性生理学和慢性健康评估）模型，包括其版本APACHE IVa和IVb[13,14]。这些模型使用ICU患者数据，并根据截至2015年的数据进行训练，为预测总通气持续时间提供了有价值的见解。
虽然这些模型对患者护理做出了重大贡献，但它们主要关注通气的总持续时间，而不区分有创和无创通气持续时间。鉴于有创和无创通气的明显影响和风险，以及无创通气的使用越来越多[4,5]，为每种通气类型建立特定的预测模型可以进一步改善患者管理策略。
准确预测个体通气持续时间可以改善患者护理质量、资源规划和患者分类决策。因此，这项工作旨在开发两种新颖的算法来分别预测非侵入性（M模型）的持续时间。新华）和侵入性（M型）四） 通风。本研究利用最大的跨国ICU数据库之一来实现此目的。由此产生的模型可以支持结果基准测试以及患者管理，从而更详细地了解这两种类型的通气。
2. 材料和方法
在这项研究中，我们开发了两个机器学习模型来预测有创通气的总持续时间和无创通气的总持续时间。开发过程涉及提取患者数据、定义和提取特征、模型训练和模型性能评估。
2.1. 研究人群
本研究使用了来自飞利浦 eICU 研究所数据库（eRI 数据库）的患者数据，包括 3 年至 8 年间来自 350 多个州 30 家美国医院的 2010 万名去识别化的 ICU 患者。eRI 数据库捕获飞利浦 eICU 计划监控的 ICU 住院的所有患者单位住宿情况，以及生理、诊断和治疗信息。这项研究不受IRB监督，因为由于研究的回顾性设计，没有患者干预，并且eRI数据库是由隐私分析专家确定为根据HIPAA（2019联邦法规45.164（b）（514））进行去识别化（见表1）。
缩略图 下载：
.PPT幻灯片
.PNG大图
.TIFF原始图像
表 1. 结局分布和通气的人口统计学。
显示的是完整数据集（训练、测试、内部和外部验证组合）中通气患者的结果，以及分别留在训练、测试、内部验证和外部验证队列中的结果。变量报告为中位数 （IQR）;带 * 的变量报告为平均值 （SD）;所有其他变量报告为 # （%）。#
https://doi.org/10.1371/journal.pdig.0000289.t001
排除了具有以下条件的住院：任何模式不明确的通气，未接受任何通气，16岁以下的患者，ICU住院时间少于2小时，或缺少所需变量的数据（表2）。这导致每个模型停留6.63 M（侵入性和非侵入性持续时间）。这些停留分别分为培训、验证和内部测试队列的 27%、10% 和 44%。除了内部验证数据集外，还使用外部测试集来评估该模型对具有模型训练期间未见的护理实践的机构的普遍性。外部测试集是eICU数据集的一部分，由一家在研究期间（2010-2019）住院<>K的医院组成。外部测试数据集不是训练或验证的一部分，因此代表了模型以前从未见过的全新患者队列。
缩略图 下载：
.PPT幻灯片
.PNG大图
.TIFF原始图像
表 2. 用作预测模型输入的特征摘要。
https://doi.org/10.1371/journal.pdig.0000289.t002
2.2. 数据提取和定义
提取人口统计学/入院特征以及生命体征和实验室测量的汇总测量值作为模型的输入特征（表2）。该模型使用入院后长达 24 小时的数据来预测在 ICU 住院期间（包括前 24 小时内）任何时间通气的患者的持续时间。如果在前 24 小时内未测量任何特征，我们将使用入院前 6 小时的数据。分类变量（如入院源或入院诊断）转换为二进制变量（如果存在，则为 1，如果不存在，则为 0）。总结ICU住院前24小时（如果有）和ICU入院前6小时（如果没有）的生命体征和实验室测量值（使用平均值或平均值和方差）。这些输入特征与之前的一些研究相似[15]，并根据以下标准进行选择：1）临床专家建议的临床相关性，因此可能预测患者通气结局，以及2）跨医院广泛可用/通常测量和记录的患者数据。不太常测量的连续变量（如乳酸或pH值）被转换为分类变量，包括“缺失”类别（S1文本）。
对于每位患者，我们使用记录将有创通气识别为涉及将管子插入患者气道的任何通气。同样，当气道中没有插入管子时，我们确定了无创通气，而是使用无创技术进行通气，例如在鼻子和面部使用面罩（例如BiPAP）。与APACHE [6]等类似工作一致，cPAP的使用不被视为任何类型的机械通气。关于有创和无创通气数据的定义和提取的更详细说明，请参阅补充部分（S2文本）。
2.3. 模型开发和训练
对于模型开发，我们选择梯度提升回归作为我们的机器学习框架，通过 Python 中的 XGboost 包（版本 1.4.2）实现 [16]。之所以选择此方法，是因为它除了能够捕获模型可解释性之外，还能够捕获特征之间的非线性关系和交互。使用该框架训练了两个模型：一个用于预测有创通气的持续时间（M四），另一个用于预测无创通气的持续时间（M新华).两种型号都使用了表 2 中列出的所有功能。
在训练之前，我们将数据划分为训练（63%）、验证（27%）和内部测试集（10%）。模型在训练集上进行训练，验证集用于调整超参数并防止过度拟合。超参数优化是使用网格搜索完成的，并对训练数据进行交叉验证。这包括根据决策树在验证集上的性能调整决策树的最大深度（最终设置为 10）和估计器的数量（设置为 250）。
为了限制异常值对模型性能的影响，我们将预测限制在 10 天。如果模型预测的持续时间超过 10 天，则报告为 10 天。
2.4. 模型评估
使用平均绝对误差（MAE）评估每个模型的性能。我们将新模型的性能与用于预测总通气持续时间的APACHE IVa和APACHE IVb的预测进行了比较。该患者队列的APACHE IVa和APACHE IVb预测由APACHE API自动生成，我们使用输出进行比较。为此，将新模型的预测总持续时间计算为有创和无创通气模型的预测持续时间之和。使用SHAP（SHapley添加剂）值评估新模型的特征重要性[17]。
3. 结果
3.1 队列特征
在用于开发持续时间预测的住院时间中，接受有创通气更为常见（~600K住院接受有创通气;~260K接受无创通气）。有创通气队列的住院时间更长（中位2.09天对1.33天）和更高的死亡率（ICU死亡率13.5%对8.7%）。无创通气队列中的患者年龄稍大（平均66.7岁 vs 62.5岁）。
随着时间的推移，接受的两种类型的通气的持续时间略有减少（S1图）。每个ICU的有创通气时间从2年的中位持续时间7.2010天下降到2年的15.2019天。每种通气方式的ICU患病率也存在很大差异。有创机械通气通常在所有年份都更为常见，但从 2010 年到 2019 年，无创通气的比例随着时间的推移而增加，而有创通气的患病率随着时间的推移保持相当稳定。此外，两种通气类型的ICU水平存在显着差异，一些ICU通常具有非常短的通气持续时间，而其他ICU通常具有较长的持续时间。
3.2. 模型性能
我们评估了验证集、内部测试和外部测试集上的模型性能。每个型号 （M四和米新华）首先单独评估，以评估其预测每种类型的通气持续时间的程度。我们还结合了两个模型的预测，将它们对总通气持续时间的预测与APACHE IVa和APACHE IVb的预测进行了比较。
模型预测误差，以有创通气持续时间的平均绝对误差（MAE）计算，验证、内部测试和外部测试数据分别为2.10、2.08和1.88 d（图1）。外部测试集（即单个医院）可能不会遵循整个数据的分布，并且可能更多地位于模型误差较低（例如持续时间较短）的区域。同样，验证、内部测试和外部测试集对无创通气持续时间的模型误差（MAE）分别为0.36、0.36、0.49天（图2）。
缩略图 下载：
.PPT幻灯片
.PNG大图
.TIFF原始图像
图1. 侵入性（顶部）和非侵入性（底部）持续时间预测模型的性能。
性能由平均绝对误差 （MAE） 度量，误差定义为预测与真实持续时间之间的差异。这些模型准确性评估是在验证、内部验证和外部验证数据集上完成的。
https://doi.org/10.1371/journal.pdig.0000289.g001
thumbnail 下载：
.PPT幻灯片
.PNG大图
.TIFF原始图像
图2. 我们的模型与APACHE IVa和APACHE IVb相比的性能。
预测APACHE IVa，IVb和我们的模型的总通气持续时间（侵入性和非侵入性）。性能通过平均绝对误差 （MAE） 来衡量。误差定义为预测值 - 真实值。评估是在测试（左）、内部验证（中）和外部验证（右）数据集上完成的。我们的模型明显优于两个APACHE模型。
https://doi.org/10.1371/journal.pdig.0000289.g002
通过简单地添加来自侵入性模型和非侵入性模型（M四+ M新华），我们可以获得每个患者的总预测通气持续时间。结果表明，该预测导致验证、内部测试和外部测试数据集的误差 （MAE） 分别为 2.40、2.38 和 2.27 天。用于预测总通气持续时间的APACHE IVa和APACHE IVb模型导致相同的验证，内部测试和外部测试集的误差（MAE）分别为3.06,3.02和2.92天。比较外部测试数据集的结果，我们发现与APACHE IVa和APACHE IVb模型相比，总通气持续时间的预测提高了22%（图2）。
在图 3 中，我们对 0.5 天、0.5-1 天、1-3 天、3-7 天和 7-10 天的真实持续时间类别的总持续时间预测误差 （MAE） 进行了分层。同样，我们对APACHE IVa和APACHE IVb模型进行了相同的性能分析，如S2图和S3图所示。此外，还说明了属于每个类别的患者比例（见图3A和3B）。在患者数量最多的类别（1-3 天的总通气量）中，我们的模型显示误差 （MAE） 为 1.4 天，而 APACHE IVa 为 1.8 天，APACHE IVb 为 1.8 天。总通气7-10天的患者比例相对较小（4.9%）。这些模型对大多数患者是准确的，但大大低估了较小比例的总通气持续时间较高的患者的真实持续时间。
thumbnail 下载：
.PPT幻灯片
.PNG大图
.TIFF原始图像
图3.
一个：按真实总通气持续时间类别分层的总持续时间预测模型的性能。乙：与每个真实通气总持续时间类别相关的患者数量比例。
https://doi.org/10.1371/journal.pdig.0000289.g003
我们计算了训练模型的SHAP值，以解释模型并检查不同特征在模型预测中的作用（图4）。SHAP 值提供每个单独预测的特征重要性，以及特征对整个总体的模型预测的重要性。这将有助于临床医生更好地理解模型预测的潜在因素和推理。
thumbnail 下载：
.PPT幻灯片
.PNG大图
.TIFF原始图像
图4. 用于预测通气持续时间的前 10 个特征。
(A）预测有创通气的持续时间;（B）预测无创通气的持续时间。每个点代表一次住宿。颜色表示该停留的要素值：从最小值（亮蓝色）到最大值（亮红色）。x 轴表示 SHAP 值：正值对应于持续时间增加，负值对应于持续时间减少。
https://doi.org/10.1371/journal.pdig.0000289.g004
4. 讨论
机械通气对于为呼吸衰竭危重患者提供充足的氧合至关重要[18]。然而，过度使用通气可能会诱发永久性肺损伤[19-21]和感染，因此在不必要的情况下应避免使用。利用有效的通风管理来优化资源也至关重要，尤其是在需求可能大大超过可用资源的情况下，例如在大流行期间。新的通气模型使用ICU级别的患者信息预测机械通气的持续时间可能有助于解决其中一些问题。此外，我们正在目睹在临床实践中使用无创通气的逐渐增加（S1图）。这凸显了分别分析有创通气和无创通气的重要性。
利用一个大型数据集，包括来自不同医院的数据，这些医院的通气策略可能不同，可以提高模型预测的准确性和可推广性。新模型根据 COVID-19 之前的数据（截至 2019 年）进行了训练，以更好地反映当前的临床实践。与在旧数据集上训练的模型相比，它可能会提供更高的准确性，特别是随着过去几年无创通气患者数量的增加。我们有意排除了COVID-19时期，因为我们认为它们在通风管理方面带来了独特的挑战，值得单独分析。
使用测试、内部验证和外部验证数据集评估模型的准确性和性能。如图1所示，这些模型实现了高预测性能，根据内部验证数据，有创通气持续时间的MAE为2.08天，无创通气持续时间的MAE为0.36天。为预测输出指定截断上限是为了提高异常值数据的整体准确性和鲁棒性。
虽然APACHE预测模型基于线性模型，但新的梯度提升模型允许捕获患者特征与通气结果之间的非线性相互作用，同时保持模型的可解释性[16]。与先前的模型相反[6,22]，未纳入高度依赖人工输入的特征，如尿量、积极治疗和慢性病，以提高整个卫生系统的可用性。
外部测试数据集可用于模型的稳健评估，因为外部测试集中的患者数据分布不一定与训练集的聚合分布相似，后者包括来自许多医院的患者住院情况。该模型在外部测试集上表现出较高的预测性能，有创通气和无创通气的MAE分别为1.88天和0.49天（图1）。
在预测通气总持续时间方面，我们的模型在同一患者群体上的表现大大优于APACHE IVa和APACHE IVb（图2），我们的模型的MAE为2.27天，而APACHE IVa和APACHE IVb为2.92和2.92天。我们的模型在预测总通气持续时间方面优于先前的研究，Sayed等人[10]报告部分eICU数据集的RMSE为5.87天，Seneff等人[7]在其验证数据集（APACHE III数据集）上报告RMSE为8.01天。
我们研究了患者总持续时间模型与APACHE模型的性能，按总真实通气持续时间间隔分组（图3，S2和S3图）。这些结果表明，我们的模型在所有持续时间间隔组中都明显优于APACHE IVa和IVb模型，除了<12小时的短间隔（我们的模型的MAE为0.4天，APACHE模型为0.2天）。
使用SHAP值[23]，我们研究了对通风结果贡献最大的特征。对于这两种模型，ICU入院前的住院时间是通气持续时间的最强预测指标，无论是有创还是无创（图4）。对于有创通气，从手术室以外的位置入院、高平均心率和呼吸道感染的入院诊断与通气持续时间增加有关。然而，对于无创通气，较高的呼吸频率和GCS的测量都与持续时间增加有关。
新模型既可以回顾性地使用，也可以前瞻性地使用。医院可以利用这些预测来衡量其历史通气结果。这些模型还可以前瞻性地用作决策支持系统，以预测通风持续时间并优化资源分配，尤其是在高需求时期或病毒性疾病高峰季节。
尽管该模型是在大型美国研究人群上开发的，但由于通风管理策略可能有所不同，因此在部署到其他地区之前，在非美国数据上测试其性能非常重要。患者队列不包括COVID-19患者。因此，在部署之前，值得测试模型对此类患者组的性能。这些数据由近50-50%的男女人口比例组成，然而，值得研究种族和地理因素对模型偏差和性能的影响。随着时间的推移，对不同队列的预期模型性能进行实时监控，以检测输入数据的任何数据漂移或系统变化，这也是关键。
5. 结论
总之，提出了两种用于预测有创和无创机械通气持续时间的机器学习模型。为了开发这些模型，我们使用了美国医院的大量异构样本，并对危重病人进行了自动电子数据收集。我们发现，我们提出的通气模型在预测总通气持续时间方面优于APACHE IVa和APACHE IVb以及其他已发表的模型。这些模型可以追溯性地用作医院的基准工具。需要进一步的研究来探索这些模型是否也可以前瞻性地用作需要机械通气的危重患者的临床决策支持工具。
支持信息
2010年至2019年通风使用情况的普遍性;无创通气的使用似乎随着时间的推移而增加，而有创通气的使用似乎略有减少。
显示 1/5： pdig.0000289.s001.docx
跳到无花果共享导航
S1 无花果:2010年至2019年通风使用情况的普遍性;使用非侵入性通风似乎随着时间的推移而增加，而侵入性通气的使用似乎略有减少。
1 / 5
下载
无花果分享
S1 图 2010年至2019年通风使用情况的普遍性;无创通气的使用似乎随着时间的推移而增加，而有创通气的使用似乎略有减少。
https://doi.org/10.1371/journal.pdig.0000289.s001
（文档）
S2 图 APACHE IVa 对于按真实总通气持续时间类别分层的总持续时间预测模型的性能。
https://doi.org/10.1371/journal.pdig.0000289.s002
（文档）
S3 图 APACHE IVb 对于按真实总通气持续时间类别分层的总持续时间预测模型的性能。
https://doi.org/10.1371/journal.pdig.0000289.s003
（文档）
S1 文本。 变量标准化。
https://doi.org/10.1371/journal.pdig.0000289.s004
（文档）
S2 文本。 定义有创和无创机械通气。
https://doi.org/10.1371/journal.pdig.0000289.s005
（文档）
引用
1.小林 H， 内野 S， 泷波 M， 上园 S.呼吸机相关事件对长期机械通气的危重受试者的影响。呼吸护理。2017 62 月;11（1379）：86–28720671.密码：<>
查看文章PubMed/NCBI谷歌学术搜索
2.Moretti M， Cilione C， Tampieri A， Fracchia C， Marchioni A， Nava S. 初始成功后无创机械通气失败的发生率和原因。胸。2000 华侨城;55（10）：819–25.密码：10992532
查看文章PubMed/NCBI谷歌学术搜索
3.陈婷， 白林， 胡文， 韩旭， 段军. 慢性阻塞性肺疾病患者无创通气晚期失败的危险因素分析.可以呼吸 J. 2020 13月 2020;8885464：33123301.密码：<>
查看文章PubMed/NCBI谷歌学术搜索
4.Rochwerg B， Brochard L， Elliott MW， Hess D， Hill NS， Nava S， et al.官方 ERS/ATS 临床实践指南：急性呼吸衰竭的无创通气。欧洲呼吸杂志 2017 50 月;2（1602426）：28860265.密码：<>
查看文章PubMed/NCBI谷歌学术搜索
5.Esteban A， Ferguson ND， Meade MO， Frutos-Vivar F， Apezteguia C， Brochard L， et al.响应临床研究的机械通气演变。美国呼吸暴击护理医学杂志 2008 15 月 177;2（170）：7–17962636.pmid：<>
查看文章PubMed/NCBI谷歌学术搜索
6.齐默尔曼 JE， 克莱默 AA， 麦克奈尔 DS， 马里拉 FM， 沙弗 VL.重症监护病房住院时间：基于急性生理学和慢性健康评估 （APACHE） IV *的基准测试。暴击护理医学 2006 华侨城;34（10）：2517–29.pmid：16932234
查看文章PubMed/NCBI谷歌学术搜索
7.Seneff MG， Zimmerman JE， Knaus WA， Wagner DP， Draper EA. 预测机械通气的持续时间。疾病和患者特征的重要性。胸。1996 110 月;2（469）：79–<>.
查看文章谷歌学术搜索
8.Bellani G， Laffey JG， Pham T， Fan E， Brochard L， Esteban A， et al. 50个国家重症监护室急性呼吸窘迫综合征患者的流行病学、护理模式和死亡率。贾马。2016 23 月 315;8（788）：800–26903337.密码：<>
查看文章PubMed/NCBI谷歌学术搜索
9.莉莉CM，祖克曼IH，巴达维O，瑞克RR。来自超过 240,000 名成年人的基准数据，反映了美国当前的重症监护实践。胸。2011 1 月 140;5（1232）：42–21868469.密码：<>
查看文章PubMed/NCBI谷歌学术搜索
10.Sayed M，Ria?o D，Villar J.使用监督机器学习预测急性呼吸窘迫综合征的机械通气持续时间。临床医学杂志 2021 10 月;17（3824）：34501270.密码：<>
查看文章PubMed/NCBI谷歌学术搜索
11.Vali M，Paydar S，Seif M，Sabetian G，Abujaber A，Ghaem H.根据初始医疗因素预测重症监护室创伤患者的长时间机械通气：机器学习方法。科学代表 2023 12 月 13;1（5925）：37045979.密码：<>
查看文章PubMed/NCBI谷歌学术搜索
12.王孜， 张玲， 黄婷， 杨蕊， 程华， 王华， 等.开发一个可解释的机器学习模型，以预测重症监护病房中ARDS患者的机械通气持续时间。心肺。2023 1 月 58;74：81–36423504。密码：<>
查看文章PubMed/NCBI谷歌学术搜索
13.林格尔 ES， 斯塔克 MM， 弗里斯曼-弗里曼 L， 汉森 KN.急性生理学和慢性健康评估V在哪里？暴击护理医学 2021 49 月;11（1176）：e34643583.pmid：<>
查看文章PubMed/NCBI谷歌学术搜索
14.Zimmerman JE，Kramer AA，McNair DS，Malila FM.急性生理学和慢性健康评估（APACHE）IV：当今危重患者的医院死亡率评估。暴击护理医学 2006 34 月;5（1297）：310–16540951.密码：<>
查看文章PubMed/NCBI谷歌学术搜索
15.刘 X， 阿迈尼亚克 DL， 贝克尔 C， 希德勒森 C， 杜布切特 EM， 林孔 T， 等.通过专为抵御文档偏见而设计的自动化来改进 ICU 风险预测模型。暴击护理医学 2023 1 月 51;3（376）：87–36576215.pmid：<>
查看文章PubMed/NCBI谷歌学术搜索
16.Chen T， Guestrin C. XGBoost： A Scalable Tree Boost System.在：第22届ACM SIGKDD知识发现和数据挖掘国际会议论文集[Internet]。美国纽约：计算机协会;2016 [引用日期2022-26-785]。第94-16页。（KDD '10）。https://doi.org/1145.2939672/2939785.<>。
17.伦德伯格 SM， 埃里昂 GG， 李 SI.树系综一致的个性化特征归因。ArXiv180203888 Cs Stat [互联网].2018 11月 2019 [引用日期15 Oct 1802];http://arxiv.org/abs/03888.<>。
18.埃斯特万 A， 安苏埃托 A， 弗鲁托斯 F， 阿利亚 I， 布罗查德 L， 斯图尔特 TE， 等.接受机械通气的成年患者的特征和结局：一项为期 28 天的国际研究。贾马。2002 16 月 287;3（345）：55–11790214.密码：<>
查看文章PubMed/NCBI谷歌学术搜索
19.Dreyfuss D，Saumon G.呼吸机引起的肺损伤。美国呼吸暴击护理医学杂志 1998 157 月;1（294）：323–<>.
查看文章谷歌学术搜索
20.Slutsky AS， Ranieri VM.呼吸机诱发的肺损伤。英国工程医学杂志 2013 28 月 369;22（2126）：36–24283226.密码：<>
查看文章PubMed/NCBI谷歌学术搜索
21.尼曼GF，萨塔林J，安德鲁斯P，艾亚什H，哈巴希NM，加托洛杉矶。根据生理参数进行个性化机械通气，以稳定肺泡并最大限度地减少呼吸机引起的肺损伤 （VILI）。重症监护医学实验 2017 2 月 5;1（8）：28150228.密码：<>
查看文章PubMed/NCBI谷歌学术搜索
22.罗耶克-雅尔穆瓦 A， 洪巴赫 R， 克日奇 ?J.APACHE II 评分不能预测长期机械通气成功撤机。慢性呼吸 2017 14 月;3（270）：5–28774204.pmid：<>
查看文章PubMed/NCBI谷歌学术搜索
23.伦德伯格 S， 李思.解释模型预测的统一方法 [互联网].arXiv;2017 [引用日期2023-22-1705]。http://arxiv.org/abs/07874.<>。