重症监护中的拔管决策支持：一种整合分割放射图像和常规临床数据的多模态机器学习框架

《Journal of Imaging Informatics in Medicine》：Extubation Decision Support in Critical Care: A Multimodal Machine Learning Framework Integrating Segmented Radiographs and Routine Clinical Data

插管拔除失败是重症患者重大挑战，本研究构建多模态机器学习框架整合人口学数据、萎靡测试、放射学评估及分区域胸部X光片，通过stacking集成方法提升预测准确性至79.46%，揭示萎靡测试、人口学及放射学评估为关键预测因素，为客观决策支持提供新思路。

　　

摘要

拔管失败仍然是重症患者面临的主要挑战，并与不良临床结果相关。目前的拔管决策在很大程度上依赖于撤机测试和对胸部X光片的主观解读。本研究旨在开发一个临床可行的多模态机器学习（ML）框架，该框架整合了常规可用的数据，为拔管决策提供补充支持。共有921名患者被纳入研究，并分为需要再次插管的拔管组和不需要再次插管的拔管组。所提出的框架整合了基线人口统计学信息、撤机测量数据、放射学评估结果以及分割后的插管后胸部X光片（包括气管、左肺和右肺区域）。根据接收者操作特征曲线下面积（AUC）选择了每种模态的最佳基础ML模型，并通过堆叠集成方法将它们整合在一起。在模态和特征两个层面上进行了特征重要性分析。需要再次插管的拔管组中，老年患者比例较高，且Charlson合并症指数得分也高于不需要再次插管的拔管组。需要再次插管的患者的呼吸频率显著更高，潮气量更低，快速浅呼吸指数更高，从插管到撤机测试以及最终拔管的间隔时间也更长（所有这些差异的p值均<0.01）。多模态集成模型的表现优于基于规则的模型和单模态模型，准确率为79.46%。撤机测量数据、人口统计学信息和放射学评估结果是预测拔管结果的最重要因素。一个整合了分割后胸部X光片与常规收集的临床数据的多模态ML框架，作为一种无需额外测量的补充性、客观的决策支持工具，显示出巨大潜力。需要进一步的前瞻性研究来验证这些发现。