在呼吸系统疾病流行期间，优化可解释的人工智能和数字孪生技术以改善重症监护室（ICU）的患者流动情况

《BMC Medical Informatics and Decision Making》：Optimized explainable AI and digital twin for patient flow improvement in ICU during respiratory epidemics

　　

摘要

背景

呼吸系统疫情往往会给重症监护室（ICU）带来巨大压力，这些科室需要在不可预测的工作负荷下持续应对急性且危及生命的病情。在此期间，ICU通常会出现患者流动效率低下、治疗延误以及关键资源短缺的问题。因此，主动决策和精准干预对于患者的生存以及减少长期后遗症至关重要。

方法

本文提出了一种结合人工智能（AI）、贝叶斯优化（Bayesian Optimization）和数字孪生（Digital Twin, DT）的稳健方法，以支持ICU的患者流动管理。使用极端梯度提升（eXtreme Gradient Boosting, XGBoost）算法来预测患者在接下来24小时内从急诊科（ED）转移到ICU的概率。贝叶斯优化被用来高效调整XGBoost模型的超参数。随后，将转移预测结果插入数字孪生模型中，以验证ICU的容量是否足以提供及时护理，并针对流程不匹配的情况设计相应的干预措施。

结果

一项来自欧洲医疗机构的案例研究验证了所提出的方法。XGBoost模型的预测特异性为94.90%（置信区间95%：91.72% ? 97.11%），敏感性为81.55%（置信区间95%：72.70% ? 88.51%）。最终，在与拥有可用ICU床位的合作医院实施患者转移政策后，ICU床位等待时间的中位数缩短至66.74至69.38小时之间。

结论

本研究证明了AI与数字孪生技术在预测ICU患者转移概率、评估急诊科和重症监护室的运营响应以及制定改进患者流动管理的实际方案方面的有效性。