[論文レビュー] Mining the contribution of intensive care clinical course to outcome after traumatic brain injury

Shubhayu Bhattacharyay, Pier Francesco Caruso+8 more|arXiv (Cornell University)|Mar 8, 2023

Traumatic Brain Injury and Neurovascular Disturbances参考文献 37被引用数 2

ひとこと要約

本研究では、1,550例のTBI患者から得られた1,166種類の異種性ICU変数を用いて、2時間ごとに6か月後の機能的予後（GOSE）を予測する深層学習モデルを開発した。予備ICUおよび入室時データが、予後変動の最大91％を説明しており、動的ICUデータが追加で得られるのは最大5％にとどまり、長期入院患者の経過を捉える能力の限界を示している。

ABSTRACT

Existing methods to characterise the evolving condition of traumatic brain injury (TBI) patients in the intensive care unit (ICU) do not capture the context necessary for individualising treatment. We aimed to develop a modelling strategy which integrates all heterogenous data stored in medical records to produce an interpretable disease course for each TBI patient’s ICU stay. From a prospective, European cohort (n=1,550, 65 centres, 19 countries) of TBI patients, we extracted all 1,166 variables collected before or during ICU stay as well as six-month functional outcome on the Glasgow Outcome Scale – Extended (GOSE). We trained recurrent neural network models to map a token-embedded time series representation of all variables (including missing data) to an ordinal GOSE prognosis every two hours. With repeated cross-validation, we evaluated calibration and the explanation of ordinal variance in GOSE with Somers’ Dxy. Furthermore, we implemented the TimeSHAP algorithm to calculate the contribution of variables and prior timepoints towards transitions in patient trajectories. Our modelling strategy achieved satisfactory calibration at eight hours post-admission, and the full range of variables explained up to 52% (95% CI: 50%–54%) of the variance in ordinal functional outcome. Up to 91% (95% CI: 90%–91%) of this explanation was derived from pre-ICU and admission information (i.e., static variables). Information collected in the ICU (i.e., dynamic variables) increased explanation (by up to 5% [95% CI: 4%–6%]), though not enough to counter poorer overall performance in longer-stay (>5.75 days) patients. Static variables with the highest contributions were physician-based prognoses and certain demographic and CT features. Among dynamic variables, markers of intracranial hypertension and neurological function contributed the most. Whilst static information currently accounts for the majority of functional outcome explanation, our data-driven analysis highlights investigative avenues to improve dynamic characterisation of longer-stay patients.

研究の動機と目的

• TBI患者のICU内における全臨床経過をモデル化するデータ駆動型手法を開発すること。
• 静的予備ICUおよび入室時要因に加えて、動的ICU変数が6か月後の機能的予後に対して果たす追加的寄与を定量化すること。
• 臨床的洞察生成のための信頼性および情報含量を評価すること。
• 特に長期入院（5.75日以上）の患者を含め、異なるICU滞在期間におけるモデルのパフォーマンスを評価すること。
• 欠損データを統合し、最小限の前処理で済ませた、解釈可能な時系列表現としての患者記録の統合を実現する。

提案手法

• 1,166種類の予備ICUおよびICU変数（欠損値を含む）の時系列をトークン埋め込みで処理する、GRUアーキテクチャを有する再帰的ニューラルネットワーク（RNN）を使用。
• 変数は20段階の分位数ボーリングに分けられ、64次元または128次元のベクトルに埋め込まれ、臨床状態を表現する。
• モデル入力は2時間ごとの時間窓で構成され、訓練中に最適な窓長は84（168時間）に設定された。
• 各時刻で8段階のGOSEに対する順序付き確率を出力するため、ソフトマックス出力層を用いた。
• 検証予測のための温度スケーリングを用いてモデルの補正を向上させた。
• モデルの識別能力を評価するために、スモールトのDxyが用いられ、予測されたGOSEと実際のGOSEとの一致度を測定した。

実験結果

リサーチクエスチョン

• RQ1 動的ICU変数が、静的予備ICUおよび入室時要因に加えて、TBI患者の6か月後の機能的予後変動をどの程度説明するか。
• RQ2 ICU滞在期間が異なる患者において、モデルのパフォーマンスはどのように変化するか。特に5.75日を超える長期入院患者においては。
• RQ3 どの臨床変数が患者の経過変化および予後予測に最も強く関連しているか。
• RQ4 1つの統一された深層学習モデルが、多様性・欠損値・マルチモodalなICUデータをどのように統合して機能的予後を予測できるか。
• RQ5 モデルの時系列出力が、時間経過に伴う患者の重症度を解釈可能なデータ駆動型代理指標として機能できるか。

主な発見

• 1,166種類の変数の全セットが、6か月後のGOSEの順序付き分散の最大52％（95％CI：50％～54％）を説明した。
• 予備ICUおよび入室時（静的）変数のみで、この分散の最大91％（95％CI：90％～91％）を説明しており、予後予測におけるその支配的役割を示している。
• 動的ICU変数が追加で5％（95％CI：4％～6％）の分散説明に寄与したが、この増加は長期入院患者のパフォーマンス向上に十分でなかった。
• 寄与度が最も高い変数には、医師による予後予測、CT所見、神経機能マーカーが含まれた。
• ICU滞在期間が5.75日を超える患者では、モデルのパフォーマンスが著しく低下しており、長期的経過変化を捉える能力の限界を示している。
• 提案されたモデリング戦略により、複雑で多様性のある患者記録が、欠損データを統合し、最小限の前処理で済ませた解釈可能な時系列に変換された。