زيادة السوائل (FO) هي مضاعفة حرجة في التهاب البنكرياس الحاد (AP)، مما يساهم في زيادة مدة الإقامة في المستشفى وزيادة معدل الوفيات. تفتقر أنظمة التصنيف التقليدية مثل BISAP إلى الدقة التنبؤية لزيادة السوائل، مما يضع عبئًا على الممرضين الذين يديرون علاج السوائل. قدم تعلم الآلة (ML) إمكانية التنبؤ المبكر بزيادة السوائل، إلا أن دمجه في ممارسة التمريض لا يزال غير مستكشف بشكل كاف. باستخدام قاعدة بيانات MIMIC-IV، قمنا بتحليل 3458 مريضًا بالغًا يعانون من التهاب البنكرياس الحاد، حيث عانى 22.8% من زيادة السوائل (صافي التوازن السائل >2 لتر/24 ساعة بالإضافة إلى العلامات السريرية). تم تطوير ثلاثة نماذج تعلم آلي - الغابة العشوائية (RF)، XGBoost، وذاكرة طويلة وقصيرة الأجل (LSTM) - للتنبؤ بزيادة السوائل باستخدام ميزات سريرية ومشتقة من التمريض (مثل، BUN، صافي التوازن السائل، وتواتر التوثيق). تم تقييم النماذج من حيث الدقة والنعومة والاسترجاع ونتيجة F1 وROC AUC، مع تحليل SHAP لأهمية الميزات. تم تصميم نظام دعم قرار سريري قائم على Gradio لدمج التمريض. تفوق LSTM على RF وXGBoost، محققة AUC قدره 0.92 (95% CI 0.90، 0.94)، ودقة قدرها 0.85، ونتيجة F1 قدرها 0.82، متجاوزة BISAP بشكل كبير (AUC 0.74، P < 0.001). أظهرت النماذج دقة غير متساوية في المرضى الذين تزيد أعمارهم عن 65 عامًا (AUC 0.95) ولكن دقة أقل في مرضى CKD (AUC 0.88). قدم نظام دعم القرار السريري درجات خطر زيادة السوائل في الوقت الفعلي، مما يعزز اتخاذ القرارات لدى الممرضين. تمكّن نماذج تعلم الآلة، خاصة LSTM، من التنبؤ الدقيق بزيادة السوائل في AP، مع إمكانية تحويل ممارسة التمريض من خلال الإدارة الاستباقية للسوائل. يدعم الدمج في نظام دعم القرار اتخاذ التدخلات المبكرة، مما يقلل من عبء العمل على الممرضين ويُحسن نتائج المرضى.
درس تشو وزملاؤه (الأربعاء) هذا السؤال.