[論文レビュー] Machine Learning to Support Triage of Children at Risk for Epileptic Seizures in the Pediatric Intensive Care Unit

Raphael Azriel, Cecil D. Hahn+6 more|arXiv (Cornell University)|May 11, 2022

EEG and Brain-Computer Interfaces参考文献 23被引用数 10

ひとこと要約

本研究では、通常の心電図（ECG）および臨床データを用いて、重篤な小児患者のてんかん発作リスクを予測する機械学習トリアージツールを開発した。ECG特徴量と臨床歴を組み合わせた場合、AUCは0.87に達した。このモデルは、標準的な臨床的トリアージに比べて陽性予測値（PPV）を著しく向上させ、小児集中治療ユニット（PICU）におけるリソースの無駄遣いを削減した。

ABSTRACT

Objective: Epileptic seizures are relatively common in critically-ill children admitted to the pediatric intensive care unit (PICU) and thus serve as an important target for identification and treatment. Most of these seizures have no discernible clinical manifestation but still have a significant impact on morbidity and mortality. Children that are deemed at risk for seizures within the PICU are monitored using continuous-electroencephalogram (cEEG). cEEG monitoring cost is considerable and as the number of available machines is always limited, clinicians need to resort to triaging patients according to perceived risk in order to allocate resources. This research aims to develop a computer aided tool to improve seizures risk assessment in critically-ill children, using an ubiquitously recorded signal in the PICU, namely the electrocardiogram (ECG). Approach: A novel data-driven model was developed at a patient-level approach, based on features extracted from the first hour of ECG recording and the clinical data of the patient. Main results: The most predictive features were the age of the patient, the brain injury as coma etiology and the QRS area. For patients without any prior clinical data, using one hour of ECG recording, the classification performance of the random forest classifier reached an area under the receiver operating characteristic curve (AUROC) score of 0.84. When combining ECG features with the patients clinical history, the AUROC reached 0.87. Significance: Taking a real clinical scenario, we estimated that our clinical decision support triage tool can improve the positive predictive value by more than 59% over the clinical standard.

研究の動機と目的

• PICUに在室するてんかん発作リスクの高い小児患者のトリアージを改善するための臨床意思決定支援ツールの開発。
• 日常的に記録されるECG信号を、非侵襲的で低コストな発作リスク評価の代理指標として活用すること。
• cEEGモニタリングへの依存度を低下させ、より正確に高リスク患者を特定すること。
• cEEG装置やスタッフが限られているPICUにおけるリソース配分を改善すること。
• 亜臨床的発作はしばしば見過ごされがちだが、合併症や死亡率に影響を及ぼすため、早期発見により予後を向上させること。

提案手法

• ECG特徴量は、記録開始後1時間以内のデータから抽出し、患者レベルの機械学習モデルを訓練した。
• ECGの前処理には、150msの不応期を設定したjqrsを用いたRピーク検出と、artifactsを除去するためのfiltrrによるNN間隔フィルタリングを実施した。
• 特徴量には年齢、QRS面積、心拍変動量（HRV）、ECG信号からの形態的特徴量（MOR）が含まれた。
• 二値分類（発作リスク vs. 発作非リスク）にはランダムフォレスト分類器を用いた。
• モデルの性能評価には、シミュレートされた臨床的トリアージシナリオにおけるAUCと陽性予測値（PPV）を用いた。
• メタモデル（META）は複数の特徴量セットを統合し、予測性能を向上させた。

実験結果

リサーチクエスチョン

• RQ1 記録開始後1時間以内のECG由来特徴量は、重篤な小児患者のてんかん発作リスクを予測できるか？
• RQ2 ECG特徴量と臨床歴を組み合わせることで、臨床的判断のみに比べててんかん発作リスクの予測が向上するか？
• RQ3 データドリブンなトリアージモデルは、偽陽性を低減し、cEEGモニタリングのリソース配分を改善できるか？
• RQ4 小児PICU患者におけるてんかん発作リスクの予測に最も寄与するECG特徴量は何か？
• RQ5 訓練データ量の増加に伴い、モデルの性能はどのように変化するか？

主な発見

• ECG特徴量のみ（臨床データなし）を用いた場合、AUCは0.84に達した。
• ECG特徴量と臨床歴を組み合わせた場合、AUCは0.87に向上し、強力な予測能力を示した。
• 予測に最も寄与した特徴量は、患者の年齢、昏睡の原因としての脳障害、およびQRS面積であった。
• 8台のcEEG装置が利用可能なシミュレートされた臨床状況において、META+HRV+MORモデルのPPVは51％に達し、臨床基準（32％PPV）に比べて相対的に59％の向上を示した。
• Age+HRV+MORモデルのPPVは41％に達し、臨床実践に比べて相対的に28％の向上を示した。
• 学習曲線の結果、ECGベースのモデルの性能は、訓練データ量の増加に伴い継続的に向上する傾向にあり、より大きなデータセットでさらなる向上が期待できることが示唆された。