[論文レビュー] Machine learning predicts early onset of fever from continuous physiological data of critically ill patients

Aditya Singh, Akram Mohammed+2 more|arXiv (Cornell University)|Sep 14, 2020

Sepsis Diagnosis and Treatment参考文献 15被引用数 4

ひとこと要約

本研究では、連続する5分間隔の生理的データを用いて、重篤なICU患者の発熱発症を最大4時間前まで予測する機械学習モデルを開発した。血圧、心拍数、呼吸数、平均動脈圧、動脈血酸素飽和度などの生命徴収データから統計的特徴量を抽出し、データのバランスを取るためにブートストラップアンサンブルを適用することで、高い適合率、再現率、F1スコアを達成した。これは、早期臨床介入の強力な可能性を示している。

ABSTRACT

Fever can provide valuable information for diagnosis and prognosis of various diseases such as pneumonia, dengue, sepsis, etc., therefore, predicting fever early can help in the effectiveness of treatment options and expediting the treatment process. This study aims to develop novel algorithms that can accurately predict fever onset in critically ill patients by applying machine learning technique on continuous physiological data. We analyzed continuous physiological data collected every 5-minute from a cohort of over 200,000 critically ill patients admitted to an Intensive Care Unit (ICU) over a 2-year period. Each episode of fever from the same patient were considered as an independent event, with separations of at least 24 hours. We extracted descriptive statistical features from six physiological data streams, including heart rate, respiration, systolic and diastolic blood pressure, mean arterial pressure, and oxygen saturation, and use these features to independently predict the onset of fever. Using a bootstrap aggregation method, we created a balanced dataset of 7,801 afebrile and febrile patients and analyzed features up to 4 hours before the fever onset. We found that supervised machine learning methods can predict fever up to 4 hours before onset in critically ill patients with high recall, precision, and F1-score. This study demonstrates the viability of using machine learning to predict fever among hospitalized adults. The discovery of salient physiomarkers through machine learning and deep learning techniques has the potential to further accelerate the development and implementation of innovative care delivery protocols and strategies for medically vulnerable patients.

研究の動機と目的

• 連続的な生理的モニタリングデータを用いて、重篤な患者の発熱発症を予測する機械学習モデルを開発すること。
• 発熱発症の前触れとなる顕著な生理的マーカーを生命徴収データから同定すること。
• 発熱発現の4時間前までに予測可能であることを示し、早期診断と介入を改善すること。
• ブートストラップアンサンブルを用いてバランスの取れたデータセットを構築し、信頼性の高いモデルの訓練と評価を可能にすること。
• 機械学習が脆弱なICU患者における発熱予測に臨床的に実用可能であることを示すこと。

提案手法

• 2年間にわたり200,000例以上のICU患者から、5分間隔の連続的な生理的データを収集した。
• 心拍数、呼吸数、収縮期血圧、拡張期血圧、平均動脈圧、動脈血酸素飽和度の6つの生命徴収ストリームから記述統計的特徴量を抽出した。
• 各発熱エピソードを24時間以上隔てた独立事象として扱い、時間的重複を回避した。
• ブートストラップアンサンブルを用いて、7,801例の発熱なしおよび発熱あり患者を含むバランスの取れたデータセットを構築した。
• 発熱発症の4時間前までの4時間窓で抽出した特徴量を用いて、発熱発症を最大4時間前まで予測するための教師あり機械学習手法を適用した。
• 再現率、適合率、F1スコアといった標準的な指標を用いてモデルの性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 連続的な生理的データを用いた機械学習モデルは、重篤なICU患者の発熱発症を予測できるか？
• RQ2 生命徴収データから抽出した生理的特徴量の中で、発熱発症を最も効果的に予測できるものは何か？
• RQ3 機械学習を用いることで、十分な精度で発熱をどの程度前もって予測できるか？
• RQ4 バランスの取れたデータセットは、発熱発症のようなレアイベントの予測性能を向上させられるか？
• RQ5 ICU環境における機械学習を用いた早期発熱予測の臨床的潜在的可能性は何か？

主な発見

• 機械学習モデルは、高水準の再現率、適合率、F1スコアを達成し、最大4時間前まで発熱発症を的確に予測できた。
• 発熱ありおよび発熱なしの両方を含む7,801例のバランスの取れたデータセット上でも、信頼性の高い性能を示した。
• 6つの生理的ストリームから抽出した統計的特徴量は、発熱前のパターンを効果的に捉えることができた。
• 本研究では、重篤な成人患者における発熱の兆候を機械学習で検出する可能性が実証された。
• モデルによって同定された顕著な生理的マーカーは、将来的なリアルタイム臨床意思決定支援システムの開発に役立つ可能性がある。
• 結果は、ICUモニタリングに機械学習を統合し、能動的な患者管理を実現する可能性を支持する。