[논문 리뷰] Machine Learning to Support Triage of Children at Risk for Epileptic Seizures in the Pediatric Intensive Care Unit

Raphael Azriel, Cecil D. Hahn외 6명|arXiv (Cornell University)|2022. 05. 11.

EEG and Brain-Computer Interfaces참고 문헌 23인용 수 10

한 줄 요약

이 연구는 임상적 기록과 정기적인 심전도(ECG) 데이터를 사용하여 중환자실에 입원한 어린이의 간질 발작 위험을 예측하는 기계학습 기반의 선별 도구를 개발하였다. ECG 특징과 임상력사를 결합할 경우 AUROC가 0.87에 도달하였으며, 표준 임상적 선별보다 긍정적 예측도(PPV)가 유의하게 향상되어 소아 중환자실에서 자원 낭비를 줄였다.

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.

연구 동기 및 목표

• 소아 중환자실(PICU)에서 간질 발작 위험이 있는 중환아를 보다 효과적으로 선별하는 임상적 의사결정 지원 도구를 개발한다.
• 일반적으로 기록되는 ECG 신호를 비침습적이고 저비용의 발작 위험 평가 대체 지표로 활용한다.
• 고위험 환자를 더 정확히 식별하여 연속성 뇌전도(cEEG) 모니터링에 대한 의존도를 줄인다.
• cEEG 장비와 인력이 제한된 중환자실에서 자원 배분을 개선한다.
• 잠재적인 발작이 자주 간과되지만 합병증과 사망률에 영향을 주는 잠재적 발작을 조기에 발견함으로써 결과를 향상시킨다.

제안 방법

• ECG 특징는 첫 1시간 기록에서 추출된 데이터와 임상 데이터를 기반으로 환자 수준의 기계학습 모델을 훈련시켰다.
• ECG 전처리에는 R파 탐지에 jqrs를 사용하고 150ms의 재발성 기간을 설정하였으며, 아티팩트 제거를 위해 filtrr를 통해 NN 간격을 필터링하였다.
• 특징로는 연령, QRS 면적, 심박수 변동성(HRV), ECG 신호의 형태학적 특징(MOR)이 포함되었다.
• 이진 분류를 위해 랜덤 포레스트 분류기를 사용하여 발작 위험과 비발작 위험을 구분하였다.
• 모델 성능 평가는 AUROC와 긍정적 예측도(PPV)를 사용하였으며, 시뮬레이션된 임상적 선별 시나리오에서 평가되었다.
• 메타모델(META)은 여러 특징 세트를 통합하여 예측 성능을 향상시켰다.

실험 결과

연구 질문

• RQ1 첫 1시간 모니터링 동안 유도된 ECG 특징가 중환자실 어린이의 간질 발작 위험을 예측할 수 있는가?
• RQ2 임상력사와 ECG 특징를 결합할 경우 임상적 판단만으로의 예측에 비해 발작 위험 예측 성능이 향상되는가?
• RQ3 데이터 기반의 선별 모델이 거짓 양성률를 감소시키고 cEEG 모니터링의 자원 할당을 개선할 수 있는가?
• RQ4 소아 중환자실 환자에서 발작 위험 예측에 가장 기여하는 ECG 특징는 무엇인가?
• RQ5 훈련 데이터 크기가 증가함에 따라 모델 성능은 어떻게 변화하는가?

주요 결과

• 첫 1시간 기록에서 유도된 ECG 특징만을 사용할 경우 모델의 AUROC는 0.84를 기록하였으며, 사전 임상 데이터 없이도 높은 예측 능력을 보였다.
• ECG 특징와 임상력사를 결합할 경우 AUROC는 0.87로 향상되어 강력한 예측 능력을 입증하였다.
• 가장 예측 능력이 높은 특징는 환자 연령, 뇌손상이 코마의 원인인 경우, QRS 면적였다.
• 8台의 cEEG 장비가 이용 가능한 시뮬레이션된 임상 상황에서 META+HRV+MOR 모델은 PPV가 51%를 기록하였으며, 임상 기준(32% PPV) 대비 59% 상대적 향상률을 보였다.
• Age+HRV+MOR 모델은 PPV가 41%를 기록하여 임상 실무 대비 28% 상대적 향상률을 보였다.
• 학습 곡선 분석 결과, ECG 기반 모델의 성능은 더 많은 훈련 데이터가 제공될수록 계속 향상됨을 보였으며, 더 큰 데이터셋으로부터 추가적인 성능 향상 가능성이 있음을 시사하였다.