Clustering of critically ill patients using an individualized learning approach enables dose optimization of mobilization in the ICU
Notice bibliographique
Résumé
Abstract Background While early mobilization is commonly implemented in intensive care unit treatment guidelines to improve functional outcome, the characterization of the optimal individual dosage (frequency, level or duration) remains unclear. The aim of this study was to demonstrate that artificial intelligence-based clustering of a large ICU cohort can provide individualized mobilization recommendations that have a positive impact on the likelihood of being discharged home. Methods This study is an analysis of a prospective observational database of two interdisciplinary intensive care units in Munich, Germany. Dosage of mobilization is determined by sessions per day, mean duration, early mobilization as well as average and maximum level achieved. A k-means cluster analysis was conducted including collected parameters at ICU admission to generate clinically definable clusters. Results Between April 2017 and May 2019, 948 patients were included. Four different clusters were identified, comprising “Young Trauma,” “Severely ill & Frail,” “Old non-frail” and “Middle-aged” patients. Early mobilization (< 72 h) was the most important factor to be discharged home in “Young Trauma” patients (ORadj10.0 [2.8 to 44.0],p < 0.001). In the cluster of “Middle-aged” patients, the likelihood to be discharged home increased with each mobilization level, to a maximum 24-fold increased likelihood for ambulating (ORadj24.0 [7.4 to 86.1],p < 0.001). The likelihood increased significantly when standing or ambulating was achieved in the older, non-frail cluster (ORadj4.7 [1.2 to 23.2],p = 0.035 and ORadj8.1 [1.8 to 45.8],p = 0.010). Conclusions An artificial intelligence-based learning approach was able to divide a heterogeneous critical care cohort into four clusters, which differed significantly in their clinical characteristics and in their mobilization parameters. Depending on the cluster, different mobilization strategies supported the likelihood of being discharged home enabling an individualized and resource-optimized mobilization approach. Trial Registration: Clinical Trials NCT03666286, retrospectively registered 04 September 2018.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».