根據《美國重癥監護雜志》上發表的一項研究，一組研究人員使用機器學習來幫助預測外科重癥患者發展為醫院獲得性壓力傷害的風險的模型。

　　研究人員使用機器學習方法來幫助構建他們的模型，因為它可以分析來自患者電子健康記錄（EHR）的數據。研究人員隨后使用隨機森林算法開發了該模型。該研究說，通常，其他模型需要臨床醫生將信息輸入工具中才能做出預測。

　　如果由于長時間的壓力而導致皮膚或下面的組織受損，就會發生壓力傷害，也稱為褥瘡。壓力傷害是分階段進行評估的，與沒有患病的患者相比，壓力傷害通常會導致住院時間延長，費用增加和遭受更多痛苦。這項研究說，在美國，重癥監護患者中約有3%至24%發生醫院獲得性壓力傷害。

　　希望該模型最終能夠識別出發生壓力傷害的風險更大，并且將從諸如更頻繁的皮膚檢查或專科病床等干預措施中受益最多的患者。

　　該模型可能是第一個利用機器學習來預測重癥監護患者中壓力傷害發展的模型。機器學習經常被用來幫助預測醫療保健環境中的其他情況。

　　“目前的風險評估工具將最關鍵的患者歸類為發生壓迫傷的高風險，因此無法提供在壓力傷害風險方面區分重癥監護患者的方法，” Jenny Alderden博士，首席研究員，助理教授博伊西州立大學兼猶他大學兼職助理教授在一份聲明中說。“最終，我們的模型可能會為臨床醫生提供更多見解，因為他們制定了針對高風險患者的護理計劃，并確定了從每個患者財務上不可行的干預措施中受益最大的人。”

　　該團隊分析了鹽湖城猶他大學醫院的一些外科手術患者的五年數據，并在五年期間共收集了6376名患者的樣本。在這些患者中，516例獲得了1期或更高壓力的傷害，而257例獲得了2期或更高壓力的傷害。