[논문 리뷰] Early prediction of respiratory failure in the intensive care unit

Matthias Hüser, Martin Faltys외 5명|arXiv (Cornell University)|2021. 05. 12.

Healthcare Technology and Patient Monitoring인용 수 1

한 줄 요약

이 논문은 HiRID-II 데이터셋의 고해상도 임상 데이터를 사용하여, 중증도가 중간 이상인 호흡부전을 ICU 환자에서 최소 8시간 이르기 전에 예측하는 기계학습 기반의 조기 경고 시스템을 제안한다. SpO2와 FiO2로부터 PaO2를 지속적으로 추정하고, 25개의 임상 변수를 기반으로 모델을 훈련시음으로써, 임상 기준 대비 뛰어난 성능을 달성하였으며, P/F ≤200 mmHg를 탐지하는 데 AUROC가 0.919에 도달하였다.

ABSTRACT

The development of respiratory failure is common among patients in intensive care units (ICU). Large data quantities from ICU patient monitoring systems make timely and comprehensive analysis by clinicians difficult but are ideal for automatic processing by machine learning algorithms. Early prediction of respiratory system failure could alert clinicians to patients at risk of respiratory failure and allow for early patient reassessment and treatment adjustment. We propose an early warning system that predicts moderate/severe respiratory failure up to 8 hours in advance. Our system was trained on HiRID-II, a data-set containing more than 60,000 admissions to a tertiary care ICU. An alarm is typically triggered several hours before the beginning of respiratory failure. Our system outperforms a clinical baseline mimicking traditional clinical decision-making based on pulse-oximetric oxygen saturation and the fraction of inspired oxygen. To provide model introspection and diagnostics, we developed an easy-to-use web browser-based system to explore model input data and predictions visually.

연구 동기 및 목표

• 기계학습을 활용하여 ICU 환자에서 중증도가 중간 이상인 호흡부전을 예측하는 조기 경고 시스템을 개발한다.
• 고해상도 ICU 모니터링 데이터를 활용하여 전통적인 임상 의사결정을 향상시킨다.
• 25개의 임상 변수를 포괄하는 종합적인 세트를 사용하여 실시간 연속적인 호흡기능 악화 예측을 가능하게 한다.
• 임상의 및 연구자들이 사용할 수 있는 웹 기반 시각화 도구를 통해 모델의 해석 가능성을 높인다.

제안 방법

• 신경망을 사용하여 펄스 옥시메트리(스포츠 옥시메트리, SpO2)와 최근 동맥혈가스 측정값(ABGA)으로부터 PaO2를 추정함으로써, 기존의 비모수적 모델보다 향상된 성능을 달성한다.
• 임상적 맥락에 따라 FiO2를 추정한다: 환경 공기(21%), 보조 산소(검색 테이블 사용), 기계 통기(기록된 값 사용).
• 시간적 시리즈 모델을 사용하여 25개의 임상 변수(생체 징후, 검사 값, 호흡 파rameter 포함)를 기반으로 최대 8시간 이르기 전에 호흡부전을 예측한다.
• 모델은 HiRID-II라는 고해상도 ICU 데이터셋을 기반으로 훈련되었으며, 62,551건의 입원 기록과 899개의 기록 변수를 포함한다.
• 웹 기반 상호작용 가능한 뷰어를 통해 임상의가 환자 데이터, 모델 예측, 사고 기록을 실시간으로 탐색할 수 있다.
• 예측, 사고, 레이블을 동기화된 시간적 시리즈 그래프에 오버랩하여 시각적 검토 도구를 통해 모델의 해석 가능성을 향상시킨다.

실험 결과

연구 질문

• RQ1 고해상도 임상 데이터를 사용하여 기계학습 모델이 ICU 환자에서 중증도가 중간 이상인 호흡부전을 최대 8시간 이르기 전에 예측할 수 있는가?
• RQ2 신경망 기반의 PaO2 추정 모델 성능이 기존의 정적 모델 대비 호흡부전 탐지에서 어떻게 비교되는가?
• RQ3 25개의 임상 변수를 포괄하는 종합적인 세트를 통합할 경우, 기존의 임상 지표에 비해 예측 정확도가 얼마나 향상되는가?
• RQ4 웹 기반 시각화 도구가 모델의 해석 가능성을 향상시키고 실시간 임상 의사결정을 지원하는 데 기여하는가?

주요 결과

• 제안된 Full-NN 모델은 모든 SpO2 범위에서 평균 절대 PaO2 추정 오차가 9.2 mmHg로, 비모수적 기준 모델(10.1 mmHg)을 능가하였다.
• Full-NN 모델은 P/F 비율 ≤200 mmHg를 탐지하는 데 AUROC가 0.919를 달성하였으며, 비모수적 기준 모델(0.914)과 SpO2-NN(0.917)을 모두 초월하였다.
• 시스템은 평균적으로 호흡부전 발생 4.5시간 전에 경고를 발령하여 조기 임상 간섭을 가능하게 하였다.
• 웹 기반 ICU 모니터 도구를 통해 환자 데이터, 모델 예측, 사고 기록을 실시간 동기화된 방식으로 동적이고 상호작용 가능한 시각화가 가능하였다.
• SpO2와 FiO2만을 사용하는 임상 기준 대비 시스템은 다수의 생리적 변수를 통합함으로써 성능이 뛰어나다는 점을 입증하였다.
• 모델의 성능은 다양한 SpO2 범위에서 뛰어난 안정성을 보였으며, 80–90% 범위에서 가장 낮은 오차(4.4 mmHg)를 기록하였다.