[논문 리뷰] Improving Mechanical Ventilator Clinical Decision Support Systems with A Machine Learning Classifier for Determining Ventilator Mode

Gregory B. Rehm, Brooks Kuhn외 4명|arXiv (Cornell University)|2019. 04. 29.

Respiratory Support and Mechanisms참고 문헌 19인용 수 4

한 줄 요약

이 논문은 기계적 산소공급기 모드를 실시간으로 정확하게 식별하는 머신러닝 분류기들을 제시한다. 보다시피, 5개의 일반적인 미국 산소공급 모드에서 평균 F1-스코어 97.52%를 달성한다. 이 모델은 산소공급기 설정 정보에 대한 데이터 누락 문제를 해결함으로써 임상 의사결정 지원 시스템(CDSS)의 성능을 향상시키며, 센서나 소프트웨어 오류로 인한 데이터 누락에 대해서도 뛰어난 내성성을 보인다.

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.

연구 동기 및 목표

• 기계적 산소공급기 치료를 위한 임상 의사결정 지원 시스템(CDSS)에서 실시간 산소공급기 모드 인식의 부족을 해결하기 위해.
• 각 숨결의 생리학적 데이터를 사용하여 현재 산소공급기 모드를 식별할 수 있는 머신러닝 분류기 개발을 위해.
• 부분적 또는 누락된 데이터가 존재하는 상황에서도 정확한 실시간 산소공급기 모드 식별을 가능하게 함으로써 CDSS 성능 향상을 위해.
• 기초 인프라 제약으로 인해 핵심 산소공급기 설정 정보에 접근할 수 없는 기존 CDSS의 한계를 극복하기 위해.

제안 방법

• 산소공급기 웨이브포맷과 설정에서 추출한 각 숨결 특징을 기반으로 지도 학습 모델을 훈련시킨다.
• 미국에서 사용되는 다섯 가지 주요 산소공급기 모드 중 하나로 숨결을 분류한다: 보조-제어, 동기화된 간헐적 강제 통기, 압력 제어, 압력 지원, 압력 조절형 볼륨 제어.
• 특징 공학에는 흡기 및 호기 시간, tidal 볼륨, 최고 기도압력 및 기타 숨결 기반 순환계 파rameter가 포함된다.
• 실제 센서 및 소프트웨어 장애를 시뮬레이션하기 위해 데이터 누락을 처리할 수 있는 견고한 훈련 및 평가 파이프라인을 구현한다.
• 데이터 열악성 상황에서도 높은 성능을 유지할 수 있도록 일반화 능력을 향상시키기 위해 앙상블 학습 기법을 사용한다.
• 임상적 관련성을 확보하기 위해 실제 중환자 치료 환경에서의 실세계 데이터셋을 사용해 시스템을 검증한다.

실험 결과

연구 질문

• RQ1 머신러닝 모델이 각 숨결의 생리학적 데이터만을 사용하여 기계적 산소공급기 모드를 정확하게 분류할 수 있는가?
• RQ2 임상 환경에서 흔한 센서 데이터 누락 또는 손상 상황에서 모델의 성능은 어떠한가?
• RQ3 제안된 분류기는 기계적 산소공급기 치료에서 CDSS의 입력 데이터 품질을 크게 향상시킬 수 있는가?
• RQ4 기존의 산소공급기 모드 탐지 기술에 비해 이 접근법은 어떤 방법론적 개선을 제공하는가?
• RQ5 소프트웨어나 센서 오류로 인한 데이터 흐름 차질 상황에서 모델의 내성성은 어떠한가?

주요 결과

• 머신러닝 분류기는 미국에서 사용되는 다섯 가지 주요 산소공급기 모드에서 평균 F1-스코어 97.52%를 달성한다.
• 모델은 데이터 누락에 대해 매우 뛰어난 내성성을 보이며, 입력 특징의 최대 30%가 손상된 상황에서도 성능을 유지한다.
• 실제 데이터 품질 문제에 직면했을 때 이전의 방법들보다 정확성과 신뢰성 면에서 뛰어나다.
• 이 시스템은 CDSS가 보다 정보 기반의, 모드 인식 기반의 권고를 내릴 수 있도록 해, 임상 의사결정 지원의 품질을 크게 향상시킨다.
• 모델의 각 숨결 분류 능력 덕분에 현재 산소공급기 모드에 따라 실시간으로 CDSS의 개입 전략을 조정할 수 있다.
• 방법론적 개선 사항으로는 더 나은 특징 표현 및 데이터 누락 처리 능력 향상이 포함되며, 산소공급기 모드 탐지 분야의 새로운 기준을 설정한다.