[論文レビュー] Early prediction of respiratory failure in the intensive care unit

Matthias Hüser, Martin Faltys+5 more|arXiv (Cornell University)|May 12, 2021

Healthcare Technology and Patient Monitoring被引用数 1

ひとこと要約

本論文では、HiRID-IIデータセットからの高時間分解能臨床データを用いて、ICU患者の中等度から重度の呼吸不全を最大8時間前倒しで予測する機械学習ベースの早期警戒システムを提案する。SpO2とFiO2からPaO2を継続的に推定し、25の臨床変数を用いたモデルを訓練することで、臨床ベースラインを上回る性能を達成し、P/F ≤200 mmHgを検出する際のAUROCは0.919に達した。

ABSTRACT

The development of respiratory failure is common among patients in intensive care units (ICU). Large data quantities from ICU patient monitoring systems make timely and comprehensive analysis by clinicians difficult but are ideal for automatic processing by machine learning algorithms. Early prediction of respiratory system failure could alert clinicians to patients at risk of respiratory failure and allow for early patient reassessment and treatment adjustment. We propose an early warning system that predicts moderate/severe respiratory failure up to 8 hours in advance. Our system was trained on HiRID-II, a data-set containing more than 60,000 admissions to a tertiary care ICU. An alarm is typically triggered several hours before the beginning of respiratory failure. Our system outperforms a clinical baseline mimicking traditional clinical decision-making based on pulse-oximetric oxygen saturation and the fraction of inspired oxygen. To provide model introspection and diagnostics, we developed an easy-to-use web browser-based system to explore model input data and predictions visually.

研究の動機と目的

• 機械学習を用いて、ICU患者の呼吸不全の中等度から重度のものについて、8時間前倒しで予測する早期警戒システムを開発すること。
• 高時間分解能ICUモニタリングデータを活用することで、従来の臨床意思決定を改善すること。
• 25の臨床変数の包括的セットを用いて、リアルタイムで継続的な呼吸不全の悪化予測を可能にすること。
• 臨床医および研究者向けのウェブベース可視化ツールを通じたモデルの解釈可能性を向上させること。

提案手法

• 神経ネットワークを用いて、パルスオキシメトリー（SpO2）と最近の動脈血ガス分析（ABGA）測定値からPaO2を推定し、既存のパrametricモデルを改善する。
• 臨床的文脈に基づいてFiO2を推定する：大気中（21％）、補助酸素（照合表を用いて）、または人工換気（記録値）のいずれか。
• 時間系列モデルを用いて、25の臨床変数（生命徴、検査値、呼吸パラメータを含む）を用い、最大8時間前倒しで呼吸不全を予測する。
• モデルは、62,551件の入院と899種類の変数を含む高時間分解能ICUデータセットHiRID-IIで訓練される。
• ウェブベースのインタラクティブビューアーにより、臨床医が患者データ、モデル予測、イベントのアノテーションをリアルタイムで探索可能である。
• 予測、イベント、ラベルを同期された時間系列プロットに重ね合わせる可視化ツールを用いて、モデルの解釈性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 高時間分解能臨床データを用いた機械学習モデルは、ICU患者の呼吸不全を最大8時間前倒しで予測可能か？
• RQ2 神経ネットワークベースのPaO2推定モデルの性能は、確立されたパラメトリックモデルと比較して、呼吸不全検出においてどのように異なるか？
• RQ3 25の臨床変数の包括的セットを組み込むことで、従来の臨床指標に比べて予測精度がどの程度向上するか？
• RQ4 ウェブベースの可視化ツールは、モデルの解釈性を向上させるとともに、リアルタイムでの臨床意思決定を支援できるか？

主な発見

• 提案されたFull-NNモデルは、全SpO2範囲でPaO2推定誤差の中央値が9.2 mmHgに達し、パラメトリックベースライン（10.1 mmHg）を上回った。
• Full-NNモデルは、P/F比 ≤200 mmHgを検出する際、AUROCが0.919に達し、パラメトリックベースライン（0.914）およびSpO2-NN（0.917）を上回った。
• システムは、呼吸不全発症の平均4.5時間前にはアラームを発動させ、早期臨床介入を可能にする。
• ウェブベースのICUモニターツールにより、患者データ、モデル予測、イベントアノテーションの動的かつインタラクティブな可視化がリアルタイム同期で可能となった。
• SpO2とFiO2のみを用いた臨床ベースラインを上回り、複数の生理的変数を組み込む価値が示された。
• モデルの性能は多様なSpO2範囲で安定しており、80–90%範囲で最小誤差（4.4 mmHg）を示した。