我们提倡ICU数据库的共通，基于一个共同的核心数据核，和一个共同的字典来标记核心特征，这对未来用于合并不同中心之间的大量数据提供依据。
重症监护病房（ICU）大量临床、监测和实验室数据普及，为AI（AI）的应用创造了自然环境。未来，由于可用数据的质量和数量逐步的提升，AI将慢慢的变多地应用于ICU。因此，ICU团队将受益于高精度的模型，这些模型将用于临床研究和临床实践。这些模型也将成为未来决策支持系统（DSS）的基础，它将帮助ICU团队可视化和分析大量信息。我们呼吁在不同电子健康记录系统之间建立一个标准化的核心数据集，使用通用的字典进行数据标记，从而大大简化来自不同中心数据的共享和合并。
循证医学是现代医学的基础。自从海军外科医生詹姆斯·林德首次发表对水手坏血病治疗的观察以来，循证医学逐渐被认为是现代医学的里程碑
随机对照试验是证据的最高阶梯，它们的设计经常利用多中心性来增加外部效度。然而，尽管大型多中心研究仍然是黄金标准，但就时间和资源而言，进行这些研究是困难和昂贵的，因此，现代医学中只有10%至20%的建议是基于证据的。这方面在重症监护医学中尤为重要。
如前章所述，ICU是所有医院病房中最适合开始向大数据过渡的病房。这是由于监测系统数量多，连续收集和高频率（即每分钟甚至每秒钟收集数据），血流动力学，神经学和临床数据。
相反，由于电子健康记录（EHR）可以毫不费力地收集大量数据，其中包含医务人员作出决定时使用的相同分辨率，因此在较小的人群中进行及时有效的治疗干预分析变得极其容易。
缺点是，这一些数据的分辨率通常很高，以至于传统的统计探索和分析可能过于困难和耗时，至少不是实时或短时间之内进行的。在这方面，人工智能（AI）可能会提供更多帮助，因为强大的机器学习算法可实现自动化和简化数据分析。
循证医学是现代医学的基础。自从海军外科医生詹姆斯·林德首次发表对水手坏血病治疗的观察以来，循证医学逐渐被认为是现代医学的里程碑
随机对照试验是证据的最高阶梯，它们的设计经常利用多中心性来增加外部效度。然而，尽管大型多中心研究仍然是黄金标准，但就时间和资源而言，进行这些研究是困难和昂贵的，因此，现代医学中只有10%至20%的建议是基于证据的。这方面在重症监护医学中尤为重要。
如前章所述，ICU是所有医院病房中最适合开始向大数据过渡的病房。这是由于监测系统数量多，连续收集和高频率（即每分钟甚至每秒钟收集数据），血流动力学，神经学和临床数据。
相反，由于电子健康记录（EHR）可以毫不费力地收集大量数据，其中包含医务人员作出决定时使用的相同分辨率，因此在较小的人群中进行及时有效的治疗干预分析变得极其容易。
缺点是，这一些数据的分辨率通常很高，以至于传统的统计探索和分析可能过于困难和耗时，至少不是实时或短时间之内进行的。在这方面，人工智能（AI）可能会提供更多帮助，因为强大的机器学习算法可实现自动化和简化数据分析。
“机器会思考吗？”这是Alan Turing在1950年提出的疑问。他提出了现在已知的测试，以评估人工智能是否进化到与人类无法区分的程度。在测试中，一台电脑和一个人被放置在两个封闭的房间里，外面的观察者应该猜出两者中哪个是电脑，哪个是人。如果人类猜错了，计算机就通过了测试。关于人工智能概念的学术辩论在蒸蒸日上，1956年在新罕布什尔州举行的会议上首次使用了“人工智能”一词。然而，尽管经过了几十年的争论，人们对AI的定义还没有达成真正的共识。这个术语通常指的是机器表现出“认知”的能力，包括学习能力，以及进行推理和演绎的能力。
机器学习技术是用来分析大型数据集的算法。机器学习背后的概念是允许计算机在没有人类理解、监督和解释数据分析所有步骤的情况下，无需对特定任务进行编程就能学习。 机器学习模型是在包含大量软件数据集上训练的，这一些数据集基于数字、图像或文本。与标准分析模型相比，机器学习模型的优点是，由机器学习过程自动调整最佳算法，而不是由人类交互一步一步地编码。在最简单的机器学习过程中，以下三个关键方面是协同的：数据集（包含原始数据），算法（解释数据）和选择的特征（在数据集中选择用于分析的变量）。
自然语言处理仍处于发展的初期，但其潜力巨大。NLP允许医生从临床图表中使用自然语言，以便与同事和医疗保健专业技术人员进行交流。NLP仍因语言和国家的不同而受到不同发展水平的限制，但在不久的将来，它将为临床图表中包含的医学术语等提供最强的基础解释。
在重症监护医学中，最常用的AI算法是基于机器学习的算法，因为重症监护室复杂连续监测和持续治疗的大型数据集的良好来源。
逻辑回归，尽管它的名字，是一个分类学习算法。它使用一个sigmoid函数来分配一个事件概率，这个概率在定义上限制在0到1之间。它是医学上最常用的分类算法之一。然而，在临床医学中，我们很少能如此幸运地通过线性或逻辑回归预测一个简单的模式， 随着数据量增加相关的场景越来越复杂，就会需要更复杂的模型来处理数据。
监督学习算法通常用于重症监护医学。 “ 监督 ” 一词是指从标记数据中学习的过程。通过训练，该算法将搜索与结果最相关的模式。 标记是将数据分配到类别或标记它的过程。在医学上，这样的一个过程常常要一个人根据已知的定义绘制临床数据。该定义能确定一种综合征，如败血症或急性呼吸窘迫综合征（ ARDS) ，但也可以量化一种疾病，如慢性阻塞性肺疾病（ COPD ）的严重程度或虚弱程度。
决策树是一种类似流程图的模型，它通过与每个树的节点对应几个决策节点处理信息后产生结果。决策树上下颠倒，顶部有根。第一个节点称为根，而分支的末端称为叶。决策树的优点是能够清晰地表示特征的重要性和特征之间的关系。
SVM模型的目标是在N维空间中定义一个超平面，当二维或三维空间中的直线或平面不起作用时，该超平面能够对数据点进行分类。
支持向量是影响超平面方向和位置的数据，超平面将数据分开进行分类。在支持向量机中，通过一个原始空间变换到高维空间函数，对每个点进行分类。
随机森林是基于大量并行工作的独立决策树。每棵树都是不同的，并独立地对结果进行分类，通过一种民主的过程，产生最终的输出。该模型背后的思想是，不相关树的整体组将比任何单个树带来更好的性能结果。
为了提高对复杂信息的解决能力，深度学习模型试图复制人类大脑的结构。它们使用非线性变换来提高抽象水平，并且与监督模型不同，深度模型可以在没有先前标记或特征选择的情况下使用。
强化学习是机器学习的第三种方式，在序列决策中特别有用。当应用该算法时，每一个算法都会有奖励或惩罚，在一个实验游戏中，这使得在不确定的环境中解决一个复杂的问题成为可能。
在ICU电子病历越来越普遍，促进了数据科学和机器学习在ICU环境中的传播。来自监测仪的血流动力学数据，来自输液泵的输液数据，来自呼吸机的呼吸数据，这一些数据可以与其他大数据来源进行比较
在Davoudi等人的一项研究中，对22名入住ICU的患者进行了普通监测和机器学习，以持续评估谵妄和躁动。按CAM-ICU量表对16例患者进行评分。在患者的手腕、脚踝和手臂上放置三个加速度计来识别。利用预训练的神经网络对单个元素的表情进行人脸识别和检测。这个研究是第一个持续评估患者情绪的研究之一，包括谵妄和非谵妄患者。
随着重症监护环境数据的数量和分辨率的爆炸式增长，机器学习模型将在重症监护研究中流行，并将提供对ICU护理背后复杂性的更深入理解。
除了临床研究，AI在重症监护方面的力量还能够最终靠两个进一步的步骤来表达：临床DSS系统和精准医疗。
当重症监护的数据科学允许研究患者的亚组时，精准医学将迈出一步，这些亚组患者与其他组非常相似和不同，他们将代表单个患者的“原型”，具有完全相同的年龄，相同的既往史，相同的家庭用药，相同的ICU入院原因和器官衰竭。
该系统不会取代重症监护小组，医生和护士将始终对患者负责，做出所有决定，但将受益于使用其他方法没有办法获得的信息水平的提高。
我们提倡ICU数据库的共通，基于一个共同的核心数据核，和一个共同的字典来标记核心特征，这对未来用于合并不同中心之间的大量数据提供依据。
我们还建议利益相关者和立法者采取进一步措施，简化不同国家不同中心之间匿名数据的传播，并允许创建大型数据集，这可以在保护患者权利的同时改善临床护理。
