[논문 리뷰] Machine learning predicts early onset of fever from continuous physiological data of critically ill patients

Aditya Singh, Akram Mohammed외 2명|arXiv (Cornell University)|2020. 09. 14.

Sepsis Diagnosis and Treatment참고 문헌 15인용 수 4

한 줄 요약

이 연구는 연속적인 5분 단위의 생리적 데이터를 사용하여 중환자실(ICU) 환자에서 열이 나는 것을 최대 4시간 앞서 예측하는 기계학습 모델을 개발한다. 생체신호에서 통계적 특징을 추출하고 데이터의 균형을 맞추기 위해 부트스트랩 집합을 적용함으로써, 높은 정밀도, 재현율 및 F1 점수를 달성하여 조기 임상 간섭의 강력한 잠재력을 보여준다.

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.

연구 동기 및 목표

• 연속적인 생리 모니터링 데이터를 사용하여 중증 환자에서 열이 나는 것을 예측하는 기계학습 모델을 개발하기 위해.
• 열이 나는 것을 이르기 전에 생체지표를 식별하기 위해.
• 열이 나타나기까지 최대 4시간 전에 예측함으로써 조기 진단과 간섭을 향상시키기 위해.
• 신뢰할 수 있는 모델 훈련과 평가를 위해 부트스트랩 집합을 사용하여 균형 잡힌 데이터셋을 생성하기 위해.
• 기계학습이 취약한 중환자실 환자 집단에서 열을 예측하는 임상적 실현 가능성을 입증하기 위해.

제안 방법

• 2년 동안 200,000명 이상의 ICU 환자로부터 연속적인 5분 단위의 생리적 데이터를 수집하였다.
• 심박수, 호흡수, 수축기 및 이완기 혈압, 평균 동맥압, 산소 포화도의 6개 생체신호 스트림에서 서술 통계적 특징을 추출하였다.
• 각 열 발현을 최소 24시간 간격으로 분리된 독립된 사건으로 간주하여 시간적 중복을 방지하였다.
• 모델 훈련을 위해 7,801명의 열이 없는 환자와 열이 나는 환자가 포함된 균형 잡힌 데이터셋을 부트스트랩 집합을 통해 생성하였다.
• 열이 나타나기 전 4시간 창에서 추출한 특징을 사용하여, 기계학습 기반의 지도 학습 기법을 적용하여 최대 4시간 전에 열의 발생을 예측하였다.
• 재현율, 정밀도, F1 점수와 같은 표준 평가 지표를 사용하여 모델 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 기계학습 모델은 연속적인 생리적 데이터를 사용하여 중증 환자에서 열이 나는 것을 예측할 수 있는가?
• RQ2 생체신호에서 추출한 어떤 생리적 특징이 열의 발생을 가장 잘 예측하는가?
• RQ3 기계학습을 사용하여 적절한 정확도로 열을 얼마나 일찍 예측할 수 있는가?
• RQ4 균형 잡힌 데이터셋은 열 발생과 같은 드문 사건을 예측하는 데 모델 성능을 향상시킬 수 있는가?
• RQ5 중환자실 환경에서 기계학습을 활용한 조기 열 예측의 임상적 잠재력은 무엇인가?

주요 결과

• 기계학습 모델은 높은 재현율, 정밀도 및 F1 점수를 기반으로 최대 4시간 전에 열의 발생을 성공적으로 예측하였다.
• 열이 나는 환자와 열이 없는 환자가 포함된 균형 잡힌 7,801명의 환자 데이터셋에서 신뢰할 수 있는 성능를 달성하였다.
• 6개 생리적 스트림에서 추출한 통계적 특징은 열 이전의 패atters를 효과적으로 포착하였다.
• 이 연구는 중증 환자에서 조기 열 징후를 탐지하기 위해 기계학습을 활용하는 것이 가능하다는 것을 입증하였다.
• 모델을 통해 식별된 주요 생체지표는 향후 실시간 임상 의사결정 지원 시스템 개발에 기여할 수 있다.
• 결과는 기계학습을 중환자실 모니터링에 통합하여 능동적인 환자 관리에 기여할 수 있음을 뒷받침한다.