人工智能与传统方法相比，哪种模型在预测ICU生存率方面更优

背景

疾病严重程度分类系统被广泛用于预测因不同诊断而入住重症监护病房的患者的生存。本研究比较了传统严重程度分类系统与人工智能预测模型(人工神经网络和决策树)对重症监护病房患者生存率的预测。

方法

这项回顾性队列研究的数据来自于2017年3月20日至2019年9月22日在ghemshahr 's Razi教学护理中心ICU住院的患者。计算常规严重程度分级模型(SOFA、SAPS II、APACHE II和APACHE IV)所需的数据从患者的医疗记录中收集。然后计算每个模型的得分。下一步是开发人工智能预测模型(人工神经网络和决策树)。最后，采用敏感性、特异性、准确性、f -测度和ROC曲线下面积等指标评价各模型在预测重症监护病房患者生存期方面的表现。此外，每个模型都进行了外部验证。使用4.1版本的R程序创建人工智能模型，使用21版本的SPSS统计软件进行统计分析。

结果

SOFA、SAPS II、APACHE II、APACHE IV、多层感知器人工神经网络和CART决策树的ROC曲线下面积分别为76.0、77.1、80.3、78.5、84.1和80.0。

结论

结果表明，虽然APACHE II模型在预测重症监护病房患者生存率方面优于其他常规模型，但其他常规模型也提供了可接受的结果。此外，研究结果显示，在所有研究模型中，人工神经网络模型的性能最好，表明该模型在预测患者生存期方面具有较强的辨别能力。

危重病人最安全的地方是重症监护病房(ICU)。ICU是一个由最有经验的医护人员使用先进医疗技术的专业病房。提高患者生存率、更好的服务质量、患者的福祉和便利是ICU最重要的目标[1］．入住icu的患者死亡率从7%到52.3%不等，预后完全不同[2，3.］．因为危重护理通常需要在不确定的情况下立即进行高风险决策，而患者的预后与入院类型、年龄、慢性疾病、急性生理变化等多种因素有关。[4］．因此，基于icu中大量和不同数量的数据进行实时决策是临床医生面临的最重要的挑战之一。这在很大程度上取决于临床医生的效率。此外，ICU住院患者病情缺乏稳定性，频繁需要危险的干预措施和药物，导致患者安全事件发生率高于其他医院病房[5，6］．

ICU患者生存期预测有助于支持合理的治疗计划、优化资源配置、确定工作量、评估护理质量等临床和管理任务，对该病房的临床工作人员和管理人员深入了解患者的健康状况和ICU管理具有重要作用[7，8］．

近几十年来，已经开发了几个模型来预测ICU病人的生存。这些模型主要是根据患者的生理症状来确定疾病的严重程度，从而计算患者的生存概率[9，10，11］．这些预测模型包括SOFA、SAPS II、APACHE II和APACHE IV。这些模型基于生理紊乱，用于衡量生理不稳定的程度和身体重要器官异常的严重程度。他们试图量化功能障碍，这可以促进对患者病情的共同理解，并帮助临床工作人员制定与患者护理相关的质量控制程序[7］．

采用预测模型SOFA来描述ICU患者的状态。该工具可以系统地、连续地评估病人在ICU期间身体器官的状态。在这个模型中，6个器官(呼吸、心血管、肝脏、凝血、肾脏和神经)的功能都被分配了一个从0到4的分数。0分意味着没有疾病，4分意味着严重的器官功能障碍。因此，数值指标的和将从0到24 [12］．SAPS II模型使用17个变量(12个生理变量、年龄、住院类型、3个基础疾病相关变量)计算患者在ICU的生存概率。从这些变量中得到的总得分为0到163之间的数字，得分越高，死亡风险越高[13］．APACHE II使用12个生理变量以及ICU患者的年龄和慢性疾病来计算生存概率。该数值模型的得分范围在0 - 71之间，得分越高，死亡概率越高[14］．通过对APACHE III方程的重新制定，建立了APACHE IV模型。该模型通过在ICU住院的前48小时内收集每个变量的最小值和最大值来预测患者的生存时间[15，16］．表格1给出每个模型的变量。

上述模型都是利用统计方法建立的传统预测模型。在建模变量之间的关系时，统计方法有一些假设和局限性。此外，这些方法缺乏建模复杂非线性关系和高阶相互作用的能力[17］．因此，有必要采取限制较少的方法。近年来，人工智能(AI)等数据处理和分析新方法的应用在生物医学研究中受到了广泛关注。分类和预测是人工智能方法在各个科学领域最重要的应用之一。人工智能可以识别和诊断疾病，对患者进行分类，预测疾病的预后和转归，极大地帮助疾病管理。在人工智能最常见和应用最广泛的方法中，可以提到人工神经网络(ANN)和决策树(DT) [18］．

到目前为止，许多研究对ICU中的SOFA、SAPS II、APACHE II和APACHE IV进行了评估。也有研究分别对ANN和DT模型进行评估，以预测入ICU患者的生存期。也就是说，本研究将传统预测模型(SOFA、SAPS II、APACHE II和APACHE IV)与现代预测模型(ANN和DT)进行比较，并对其对ICU患者生存期的预测进行评价。

相关工作

Zhang等人开发了一种用于预测ICU社区获得性肺炎患者结局的决策树模型，并将其与两种传统模型CURB-65和SOAR进行了比较。本研究在MIMIC III数据库上进行，有3519名患者参与。CART DT、CURB-5和SOAR模型的ROC曲线下面积(AUROC)分别为0.661、0.609和0.589，说明决策树在预测患者生存期方面优于其他两种模型[19］．

在Sharma等人进行的一项研究中，比较了三种模型(SOFA、SAPS II和APACHE II)对脓毒症患者死亡率的预测。ROC分析表明，SAPS II的鉴别能力最好(AUROC = 0.981)，其次是APACHE II (AUROC = 0.978)和SOFA (AUROC = 0.911)。本研究结果显示，SAPS II在预测脓毒症患者生存期方面优于APACHE II和SOFA，但在估计ICU患者生存期预测时，有必要综合考虑多种因素[20.］．

在Nimgaonkar等人的一项研究中，比较了APACHE II和人工神经网络对印度一家ICU患者生存率的预测。1962例患者的数据用于训练，其余数据用于测试人工神经网络。在本研究中，采用ROC曲线下面积准则来评价模型的判别能力，结果表明，人工神经网络的判别能力优于APACHE II (0.87 vs. 0.77)。此外，模型标定结果表明，神经网络中的标定优于APACHE II中的标定[21］．

Kashefi等人在题为“SOFA和APACHE II评分系统在icu创伤患者入院时判断预后的性能比较研究”的文章中，对100名患者进行了回顾性、横断面描述性研究。研究结果显示，APACHE II的敏感性和特异性分别为97.4和36.1%，SOFA的敏感性和特异性分别为97.4和16.4%。该研究得出结论，这两种模型在预测ICU创伤患者的生存期方面是有效的[22］．

研究设计

这项回顾性队列研究的数据来自于2017年3月至2019年9月在ghhemshahr Razi教育和医疗中心ICU住院的患者。纳入和排除标准:患者年龄在18岁以上，烧伤患者、冠状动脉疾病患者、心脏手术患者、脑死亡患者和住院时间小于24 h的患者均被排除在研究之外。

数据收集

变量列表包括年龄、性别、ICU入院日期和时间、出院日期和时间、患者出院时的状态(医院死亡率)、入院类型(医疗问题、择期手术或急诊手术)、ICU入院诊断、基础疾病、使用血管升压药物剂量、意识状态(GCS)、体温(TEMP)、每分钟心率(HR)、每分钟呼吸频率(RR)、收缩压(SBP)、舒张压(DBP)、血酸性水平(PH)、动脉血二氧化碳水平(PCO2)、动脉血氧水平(PAO2)、呼吸机使用情况、FiO2、排尿水平、血糖(BS)、血尿素氮(BUN)、肌酐(Cr)、钠(Na)、钾(K)、血小板(PLT)、胆红素(BIL)、白蛋白(ALB)、红细胞压积(Hct)和白细胞计数(WBC)。需要注意的是，所收集的数据与患者入住ICU的前24小时有关，对于医学检测变量，收集的是患者病历中的最小值和最大值。

常规型号:SOFA, sapsii, APACHE II和APACHE IV

为了计算SOFA、SAPS II和APACHE II的常规模型的分数，一个在线混合计算器(https://clincalc.com/IcuMortality/Default.aspx)，并计算另一种传统型号的在线计算器APACHE IV (http://www.icureach.com/icu_scores/apacheIV.php)是利用。这些分数是在每个病人入住ICU的第一天计算出来的。然后，为了评价这些模型的性能，考虑变量对其进行ROC分析“医院的死亡率”作为因变量。

人工智能模型:多层感知器神经网络和CART决策树

采用单因素logistic回归分析选择模型变量，然后选择与结果有统计学意义(在0.05水平上)的变量“医院的死亡率”作为因变量输入AI模型作为选择变量。然后，将70%的患者随机分配到训练集，30%的患者随机分配到测试集，通过网格搜索的方法对神经网络和DT相关的超参数进行调优，建立AI模型(MLP nn和CART DT)，并在模型中选择性能最佳的ANN模型和DT模型。此外，在模型训练过程中使用五倍交叉验证来最小化过拟合。此外，四个AI模型，即所有输入变量的MLP NN模型(MLP NN_所有)，选择输入变量的MLP NN模型(MLP NN_选取)，带有所有输入变量的CART DT模型(CART DT_所有)和CART DT模型(CART DT_选取)然后用来预测结果。评价模型性能的标准为敏感性、特异性、准确性、f测度和ROC曲线下面积。最后，在ICU住院的中毒患者中对模型进行外部验证[23］．R程序是4.1版本，用于创建AI模型。

需要注意的是，对于人工神经网络的架构，使用了具有反向传播学习方法的前馈网络，具有两个完全连接的隐藏连接层。最后，所选ANN在第一隐层和第二隐层的节点数分别为20和15。隐层和输出层使用Sigmoid活动函数，学习率设置为0.3。CART DT采用基尼指数作为分解树的判据，树的最大深度限制在5层。

统计分析

为了进行统计分析，利用变量将ICU住院患者的数据分为两组“医院的死亡率”．然后，以频率表的形式描述各组的特征。采用Kolmogorov-Smirnov检验检验数据的正态性。为了比较两组被研究变量的独立性t-检验用于正态性，Mann-Whitney检验用于非正态性。定性变量采用卡方检验或Fisher检验。采用SPSS Statistics 21进行统计分析，显著性水平设置为5%。

数据的总体描述

数据收集自ghemshahr Razi医疗中心ICU收治的840名参与患者。表格2详细介绍了参与本研究的患者的数据。该表还对生者和死者两组中提到的变量进行了统计比较。从表中可以看出，死亡人数为333人(39.6%)，康复人数为507人(60.4%)。入ICU患者平均年龄为66.49±17.86岁。死亡患者平均年龄为70.97±14.31岁，康复患者平均年龄为63.56±19.31岁，差异有统计学意义。参与研究的男性患者431例(51.3%)，女性患者394例(46.9%)，与死亡率的关系无统计学意义(P= 0.075)。死亡患者在ICU的平均住院日比康复患者的平均住院日长约3.5天，差异有统计学意义。在所有参与者中，537例(63.9%)患者需要机械通气装置，其余303例(36.1%)患者不需要机械通气装置。

为模型开发选择的变量

基于单变量回归检验的结果，采用常规回归检验p-值阈值为0.05，确定14个变量为与医院死亡结局相关的变量。表中列出了与医院死亡结果相关和不相关变量的完整列表3.，以及p值、比值比和95% CI。选择14个变量来开发AI模型是年龄，GCS, ALB, HCO3, PCO2, HR, BS, BIL, Cr, K, Hct, PLT, BUN和尿量。

表格3.揭示胆红素、钾和肌酐是对医院死亡影响最大的变量。相反，与氧合和血压相关的变量与医院死亡结局无显著相关性。

模型整体性能及灵敏度分析

SOFA、sap II、APACHE II、APACHE IV模型评分的平均值和标准差分别为5.45±3.35、33.24±16.08、7.88±18.38、54.88±18.72。SOFA模型、SAPS II模型、APACHE II模型、APACHE IV模型的评分平均值和标准差分别为7.35±3.23、42.49±15.15、8.22±23.32、65.04±17.42。与康复患者的平均得分相比，这些得分在所有四种模型中显示出统计学上的显著差异(P< 0.001)。

本研究采用了多种绩效评价指标，包括敏感性、特异性、准确性、f测度和ROC曲线下面积。各模型各项指标的数值见表4．另外，传统模型和AI模型的ROC曲线如图所示。1而且2,分别。AI模型在外部数据上的实验得到的ROC曲线如图所示。3.．

MLP神经网络的灵敏度分析结果_选取模型显示，GCS、年龄、HCO3、BIL、Cr、HR和Hct是ICU患者死亡的最重要决定因素(图1)。4)．然而，MLP神经网络的灵敏度分析结果_所有年龄和HR变量在预测医院死亡中的重要性分别为0.01和0.03。此外，WBC、RR、TEMP和PLT变量是医院死亡的最重要决定因素(图。5)．重要性小于0.05的变量未在图中显示。4而且5．

DT模型结果显示，GCS水平低于6.5，胆红素水平高于16的患者死亡概率为85%。同样，GCS水平低于6.5，胆红素水平低于16的患者存活的概率为64%。一个病人的GCS高于6.5，钾高于4.5，胆红素高于56，死亡概率为88%。如果患者的GCS高于6.5，钾高于4.5，胆红素低于56，红细胞压积低于31，那么患者死亡的概率为86%。一个病人的GCS高于6.5，钾低于4.5，二氧化碳分压高于26，红细胞压积高于32，血糖低于192，有88%的存活概率。如果GCS高于6.5，排尿量低于550，二氧化碳分压高于44，死亡的概率为80%。数据6而且7给出了开发的CART DT的图形表示_所有和车DT_选取．

根据表2，预测死亡率与实际死亡率之间存在显著的相关性，说明预测死亡风险越高的患者死亡的可能性越大。也就是说，死亡组各模型的得分均高于康复组同一模型的得分，两组差异显著。在模型中，APACHE II具有更好的患者生存预测。模型平均评分为18.38±7.88;死亡组为23.32±8.22，康复组为15.13±5.66。同样，在设拉子纳马兹医院ICU进行的一项研究中，患者APACHE II模型的平均得分为17.85±7.4 [24］．在印度的另一项研究中，据报道患者APACHE II的平均分为17.8±10.5，这与本研究的结果一致[21］．

如前所述，APACHE评分系统的第二个版本比其他常规系统(SOFA、sap II和APACHE IV)的结果更准确，该模型的灵敏度为70.62，特异性为81.33,ROC曲线下面积为0.803，获得了灵敏度、特异性和曲线下面积的最高值，与其他模型相比具有更好的性能。本研究结果还显示，APACHE II对ICU患者生存期预测的识别力依次为APACHE IV，其ROC曲线下面积为0.785,SAPS II的ROC曲线下面积为0.771,SOFA的ROC曲线下面积为0.76。根据数据科学中公认的方法，ROC曲线下的面积大于0.75表示具有强大且可接受的辨别能力[25］．因此，可以说，本研究中所研究的所有传统模型在区分死者和康复者方面都取得了可以接受的结果。

Zhu等人证明，在住院死亡率预测方面，APACHE II优于SOFA，其分界点分别为17和3 [26］．Colussi等人证实，在预测败血性疾病方面，截断点为49、ROC曲线下面积为82%的sap II优于截断点为22、ROC曲线下面积为76%的APACHE II。绩效最低的模型为SOFA，其ROC曲线下的截断点和面积为65% [27］．Wang等人在一项大型前瞻性多中心试验中比较了APACHE II、sap II和SOFA评分在预测AKI患者28天死亡率方面的能力。他们观察到sap II的功能是优越的，其次是APACHE II。然而，三种评分系统之间的差异并不显著。SOFA得分的预测价值最低[28］．在流行病学研究和临床观察中，根据APACHE II评分和住院天数平均SOFA值，ICU病死率分别为21.5和7.3%。平均每日SOFA得分表现出较强的预测能力(P< 0.001) APACHE II分界点为13,SOFA分界点为5 [29］．Costa e Silva等在另一项研究中报道，截断点为4、ROC曲线下面积为75%的SOFA比截断点为17、ROC曲线下面积为69%的APACHE II更能准确预测肝硬化患者的死亡率[30.］．Huang等人在预测急性呼吸窘迫综合征患者死亡率方面，ROC曲线下面积为71%的SAPS II优于ROC曲线下面积为66%的SOFA [31］．在另一项研究中，在重症SARS-CoV-2肺炎ICU患者的队列研究中，研究了APACHE II和IV评分与SOFA评分在ICU住院死亡率方面的预后意义。在预测ICU死亡率方面，APACHE IV值比SOFA评分更准确。此外，与APACHE II和SOFA相比，APACHE IV强度评分系统的校准值最大[32］．在Schoe等人的研究中，只有SAPS II模型具有足够的校正能力来衡量在ICU接受心脏手术的患者的ICU死亡率结果。APACHE IV和APACHE II模型的ROC曲线下面积分别为91%和89%，表现较差。SOFA模型表现最差，ROC下面积为86% [33］．

在本研究中，与其他一些研究一样[20.，23，34， SOFA在区分死者和康复者方面的辨别能力最低。这可能是因为该模型的主要设计目的不是预测患者存活率。事实上，建立这个模型是为了确定ICU收治的脓毒症患者器官衰竭变化的严重程度。因此，该模型似乎更适合预测发病率[35］．然而，目前的研究结果表明，它也可以用来预测入住ICU的患者的生存。因此，由于SOFA的性能与其他常规模型在临床上并无显著差异，且该模型所使用的变量数量远少于其他常规模型，因此推荐使用该模型预测入ICU患者的生存时间。

人工智能模型的结果表明，MLP神经网络具有较好的预测效果_选取，其灵敏度为84.68，特异性为72.26,ROC曲线下面积为84.1，优于其他AI模型。在所有AI模型中，敏感性值大于特异性值。因此，它们更有能力预测患者的生存。而在SOFA和SAPS II中，特异性值高于敏感性值，说明这两种模型能够更好地区分死者和康复病例。

ANN和DT模型的结果表明，这些新模型在预测ICU患者生存期方面具有与传统模型竞争的能力，并产生了更可接受的结果。目前的研究结果表明，虽然MLP NN_选取在所有模型(包括常规模型和DT模型)中，MLP NN_所有在外部验证中优于所有模型。此外,MLP神经网络_所有与MLP神经网络无明显临床差异_选取用ROC曲线下的面积表示。在印度一项比较APACHE II和ANN的精神科ICU研究中，两种模型的ROC曲线下面积分别为0.77和0.87 [21]，结果优于我们的结果。这一差异可归因于两项研究中患者的差异，因为本研究是在普通ICU进行的。相比之下，印度的这项研究是在精神科ICU的患者中进行的。在另一项针对ICU收治肺炎患者的研究中，将DT模型与传统模型SOAR和CURB-65进行了性能比较[19］．本研究结果与我们的研究结果不同，DT模型(敏感性为73.4，特异性为49.00,ROC曲线下面积为0.661)的表现优于传统模型CURB-65(敏感性为74.5，特异性为42.3,ROC曲线下面积为0.608)和SOAR(敏感性为0.589，特异性为80.7,ROC曲线下面积为0.589)。本研究结果与本研究结果之间的差异可归因于本研究是在“普通”或常规ICU中进行的，而上述研究是在“专科”ICU中进行的。

Frize等人调查了加拿大1491名ICU患者。他们利用三分之二的患者数据来训练神经网络，而剩下的三分之一用于验证。在本研究中，ANN模型和APACHE II在预测结果方面显示了相同的准确性。尽管如此，人工神经网络只能使用APACHE II使用的6个特征来预测结果[36］．在另一项来自英国的研究中，创伤和损伤严重程度评分(TRISS)模型和神经网络被用来比较创伤患者的预期结果。在本研究中，TRISS表现出优越的辨别能力，而ANN表现出优越的适应度/校准优度。研究人员发现，TRISS模型假设预测变量和结果之间的线性联系，在歧视方面优于人工神经网络。然而，与TRISS模型相比，神经网络更有效地处理了非线性变量，具有更精确的校准。与我们的发现类似，这些研究人员发现，人工神经网络可以使用更少的因素预测结果[37］．

在我们的患者中，神经网络模型比传统模型有明显的优势，这可能是有原因的。虽然专家对传统模型的因素进行了评分，但传统模型的最终死亡率预测方程是使用逻辑回归构建的，这意味着预测变量与结果之间存在非线性联系。神经网络在建立非线性模型方面是有效的，因此可以提供理论上的好处。伊朗、欧洲和美国icu患者人群之间存在显著差异，这可能影响了传统模型的准确性。伊朗ICU患者与美国和欧洲ICU患者在其他影响预后的变量方面存在差异，如前置时间偏差。

在我们的研究中，另一个值得注意的发现是，传统模型使用的几个变量是多余的。事实上，它们并没有提高预测的准确性，可以从模型构建过程中删除。

基于表3.， PH、机械通气、PAO2、Fio2、RR、温度、SBP、DBP、MAP、Na、WBC和慢性疾病在预测死亡率方面无信息价值。类似地，Wong和Young设法从APACHE II模型中删除了几个因素，而不牺牲精度[37］．此外，Frize等人仅使用APACHE II系统的6个参数就可以用人工神经网络预测结果，这表明尽管人工神经网络模型在预测结果方面可能与APACHE II一样有效，甚至更好，但其最大的优势可能在于其使用更少变量的能力[36］．Clermont等人发现，即使排除了ICU入院前的初始诊断和位置等因素，预后预测仍是准确的[38］．

虽然WBC、RR和TEMP变量与医院死亡率无统计学相关性，如表所示3.， MLP神经网络的灵敏度分析结果_所有表明这三个因素在预测医院死亡中是重要的。这可能可以用各种因素之间的相互作用来解释。这表明，当变量彼此相邻时，它们之间的相互作用产生了统计单变量检验无法检测到的显著关系。

MLP神经网络的灵敏度分析结果_选取模型显示，GCS、年龄、HCO3、BUN、Cr、Hr和Hct分别是ICU患者死亡的最重要决定因素。与本研究结果一致，Asgari报告称，葡萄糖、相对凝血活酶时间、白细胞、收缩压、肌酐、白蛋白和胆红素是预测ICU死亡率最有效的变量[39］．Barfod等人介绍了一些生命体征，包括周围氧饱和度、RR、收缩压和GCS，作为ICU死亡的预测因素。根据本研究结果，异常生命体征的类型和数量均可预测不良预后。与住院死亡率高相关的主要主诉是呼吸短促和意识水平改变[40］．在其他研究中，使用生命体征预测死亡率也被报道为有效的[41，42］．GCS也是一种生理评分系统，被认为是神经评估的重要标准。在先前的研究中，低GCS已被报道与不良预后有关[43，44］．然而，在某些情况下，GCS的测量可能是复杂的。在病人插管、接受镇静、中毒或下颌或面部受伤的情况下，很难评估该量表[43］．由于本研究中的死亡率预测变量大多包括生命体征和常规医学检查，这些都是常规记录的，因此可以连续自动地测量患者的死亡风险。

这项研究有许多局限性。第一个限制是研究是在一个医疗中心进行的;因此，研究结果不能推广到其他人群。尽管如此，如果这项研究在更多的研究中心进行，结果可能更具有普遍性。第二个限制是目前调查的溯及性。因此，建议未来在该领域的研究应前瞻性地进行，以避免回顾性研究的局限性。尽管神经网络在预测医院死亡率方面表现最好，但由于神经网络的功能就像一个黑盒子，因此很难理解各种因素是如何影响死亡预测的。因此，可能很难说服临床医生使用人工神经网络来预测医院死亡率。

神经网络模型在预测ICU患者生存期方面比其他传统模型具有更强的预测能力，可作为传统模型的替代方案。为了更好地评估本研究中使用的模型的性能，建议未来的研究应前瞻性地进行，以消除缺失数据的存在等限制。

由于保护隐私，本研究分析的数据集未对外公开，但可根据通讯作者的合理要求向其提供。

APACHE:

急性生理和慢性健康查询

削弱了:

简化急性生理评分

沙发:

顺序器官衰竭评估

gc:

格拉斯哥昏迷评分

SBP:

收缩压

菲律宾:

舒张压

地图:

平均动脉压

人力资源:

心率

RR:

呼吸速率

PH值:

动脉pH值

克雷格:

血清肌酐

拿拿淋:

血清钠

凯西:

血清钾

包子:

血尿素氮

HCO3:

碳酸氢

基本脉冲电平:

胆红素水平

声波测井:

血糖水平

白细胞:

白细胞计数

PLT:

血小板

Hct:

血细胞比容

人工智能:

人工智能

安:

人工神经网络

DT:

决策树

简要:

多层感知器

加护病房:

重症监护室

我们要感谢格姆沙赫尔的Razi教育和医疗中心ICU的所有护士和工作人员，他们帮助我们进行了这项研究。

这项工作得到了伊朗医学大学的支持。

作者和联系

1. 伊朗医学大学健康管理和信息科学学院健康信息管理系，伊朗德黑兰瓦利-阿斯尔大道拉希德·亚塞米街4号，1996713883

   Farzad Mirzakhani & Farahnaz Sadoughi

2. 伊朗萨里马赞达兰医科大学传染病研究所抗微生物药物耐药性研究中心

   Mahboobeh Hatami

3. 伊朗德黑兰Shahid Beheshti医科大学内分泌研究中心

   此前Amirabadizadeh

贡献

FM和FS设计了方法，开发了算法，生成了插图和可视化，并在AA的支持下撰写了手稿。M H收集了数据。所有作者阅读并批准了最终稿件。

相应的作者

对应到Farahnaz Sadoughi．

伦理批准和同意参与

伊朗生物医学研究伦理问题全国委员会审查了本研究，并宣布其实施没有受到阻碍(ir . ioms . rec .1398.941)。本研究中的所有方法都是按照适用的指南和法规进行的。

同意出版

不适用。

相互竞争的利益

作者声明他们没有竞争利益。

知情同意

所有受试者和/或其法定监护人均提供知情同意。

出版商的注意

伟德体育在线施普林格自然对出版的地图和机构附属的管辖权要求保持中立。

开放获取本文遵循创作共用署名4.0国际许可协议(Creative Commons Attribution 4.0 International License)，该协议允许在任何媒体或格式中使用、分享、改编、分发和复制，只要您给予原作者和来源适当的署名，提供创作共用许可协议的链接，并说明是否有更改。本文中的图片或其他第三方材料包含在文章的创作共用许可中，除非在材料的信用额度中另有说明。如果材料不包含在文章的创作共用许可中，并且您的预期用途不被法律法规允许或超出了允许的用途，您将需要直接从版权所有者那里获得许可。欲查看此许可证的副本，请访问http://creativecommons.org/licenses/by/4.0/．创作共用公共领域奉献放弃书(http://creativecommons.org/publicdomain/zero/1.0/)适用于本文提供的数据，除非在数据的信用额度中另有说明。

再版和权限