[論文レビュー] Improving Mechanical Ventilator Clinical Decision Support Systems with A Machine Learning Classifier for Determining Ventilator Mode

Gregory B. Rehm, Brooks Kuhn+4 more|arXiv (Cornell University)|Apr 29, 2019

Respiratory Support and Mechanisms参考文献 19被引用数 4

ひとこと要約

本論文では、呼吸ごとのデータを用いて、リアルタイムで機械的換気モードを正確に識別する機械学習分類器を提示している。5つの一般的な米国換気モードにおいて、平均F1スコアは97.52%に達した。このモデルは、換気設定の情報欠落というデータギャップを克服することで、臨床意思決定支援システム（CDSS）の性能を向上させ、センサーやソフトウェアの障害に起因する欠損データに対しても頑健であることを示している。

ABSTRACT

Clinical decision support systems (CDSS) will play an in-creasing role in improving the quality of medical care for critically ill patients. However, due to limitations in current informatics infrastructure, CDSS do not always have com-plete information on state of supporting physiologic monitor-ing devices, which can limit the input data available to CDSS. This is especially true in the use case of mechanical ventilation (MV), where current CDSS have no knowledge of critical ventilation settings, such as ventilation mode. To enable MV CDSS to make accurate recommendations related to ventilator mode, we developed a highly performant ma-chine learning model that is able to perform per-breath clas-sification of 5 of the most widely used ventilation modes in the USA with an average F1-score of 97.52%. We also show how our approach makes methodologic improvements over previous work and that it is highly robust to missing data caused by software/sensor error.

研究の動機と目的

• 機械的換気における臨床意思決定支援システム（CDSS）において、リアルタイムでの換気モード認識が不足しているという問題に対処すること。
• 呼吸単位の生理的データを用いて、現在の換気モードを特定できる機械学習分類器を開発すること。
• 不完全または欠損データが存在する状況でも、正確なリアルタイムの換気モード認識を可能にすることで、CDSSの性能を向上させること。
• インfraストラクチャ上の制限により、換気設定情報へのアクセスが制限されている既存のCDSSの限界を克服すること。

提案手法

• 監視付き機械学習モデルは、換気波形および設定から抽出された呼吸単位の特徴量をもとに学習される。
• モデルは、米国で使用される5つの主要な換気モード（補助制御、同期間欠的強制換気、圧力制御、圧力支援、圧力調整容量制御）のいずれかに呼吸を分類する。
• 特徴量工学には、吸気時間、呼気時間、潮量、最高気道内圧、およびその他の呼吸特異的血行動態パラメータが含まれる。
• 欠損データを処理するための堅牢なトレーニングおよび評価パイプラインが実装され、実際のセンサーおよびソフトウェア障害を模擬している。
• 一般化性能を向上させるとともに、データ劣化下でも高い性能を維持するために、アンサンブル学習手法が用いられている。
• システムは、臨床的妥当性を保証するため、集中治療領域での実世界データセットを用いて検証されている。

実験結果

リサーチクエスチョン

• RQ1 呼吸単位の生理的データのみを用いて、機械学習モデルが機械的換気モードを正確に分類できるか？
• RQ2 臨床環境で一般的に見られるセンサー欠損または破損データの状況下で、モデルの性能はどの程度か？
• RQ3 提案された分類器は、機械的換気におけるCDSSの入力データ品質を顕著に改善できるか？
• RQ4 従来の換気モード検出手法に比べて、本アプローチはどのような方法論的改善を提供するか？
• RQ5 データ伝送を妨げるソフトウェアまたはセンサー障害に対して、モデルはどの程度の頑健性を示すか？

主な発見

• 機械学習分類器は、米国で使用される5つの主要な換気モードにおいて、平均F1スコア97.52%を達成した。
• モデルは欠損データに対して高い頑健性を示し、入力特徴量の30%までが破損しても性能を維持した。
• 本手法は、現実のデータ品質の課題に直面しても、従来の手法を上回る正確性と信頼性を示した。
• 本システムにより、CDSSはモード認識に基づいた意思決定支援を可能にし、臨床的意思決定支援の質を顕著に向上させた。
• モデルの呼吸単位での分類能力により、現在の換気モードに応じたCDSS介入のリアルタイムな適応が可能になった。
• 方法論的改善には、より優れた特徴表現とデータギャップの強化された処理が含まれ、換気モード検出分野における新たなベンチマークを設定した。