文章介紹
「侵入性機械通氣」對於加護病房裡的重症患者而言，雖然是輔助呼吸的救命裝置，但長時間的機械通氣也會導致與呼吸器相關的併發症。因此如何判定患者適合拔管、停止呼吸器支持就變得至關重要。若判斷不準確，拔管失敗就會產生一系列後果，像是需要氣管切開、引發肺炎、以及肺損傷。
近年來，有許多醫療研究領域利用機器學習來判斷患者脫離呼吸器的時機與結果預測。然而，現有研究大多使用了人口統計數據、生理數據和實驗室數據，所提出的模型僅能進行靜態而非動態的預測，仍然不夠準確，且在醫院的廣泛應用困難。
針對這個議題，黃國揚醫師團隊開發了一種機器學習方法，採用機械通氣患者的時間序列呼吸器衍生參數，再透過邏輯回歸、RF 和 SVM 等機器學習模型，來預測患者脫離呼吸器的結果。
這份研究納入了 2015 年 8 月至 2020 年 11 月間，住進台灣苑裡基督教醫院並接受呼吸器治療的 233 名患者，其中 28 人（12.0%）拔管失敗。研究結果顯示，隨機森林的表現優於其他模型，該算法能夠每隔三分鐘對個別患者進行拔管結果的預測，同時提供在不同時間點拔管結果的實時預測。
這項技術有助於醫生和護理人員在臨床實踐中作出準確的判斷，並在必要時提供適時的支持和干預，有助於減少患者長期使用呼吸器的時間，降低與機械通氣相關的併發症和相應的醫療費用，並提高其生存率。
能在自己專長的領域，運用新的研究方法，發展出對臨床有幫助的即時預測模型，是很有意義的。恭喜黃醫師！
最新活動
