[논문 리뷰] Mining the contribution of intensive care clinical course to outcome after traumatic brain injury

Shubhayu Bhattacharyay, Pier Francesco Caruso외 8명|arXiv (Cornell University)|2023. 03. 08.

Traumatic Brain Injury and Neurovascular Disturbances참고 문헌 37인용 수 2

한 줄 요약

이 연구는 1,550명의 뇌손상(TBI) 환자로부터 수집한 1,166종의 이질적인 중환자실(ICU) 변수를 활용해, 2시간 간격으로 6개월 후 기능적 결과(GOSE)를 예측하는 딥러닝 모델을 개발한다. 연구 결과, 입원 전 및 입원 초반 데이터가 결과 변동성의 최대 91%를 설명하며, 동적 ICU 데이터는 추가로 최대 5%의 가치만 기여함을 확인하여, 장기 입원 환자의 변화 추이를 포착하는 데 한계가 있음을 시사한다.

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.

연구 동기 및 목표

• 중환자실(ICU)에서 뇌손상(TBI) 환자의 전임상 과정을 모델링하기 위한 데이터 기반 방법을 개발한다.
• 정적 입원 전 및 입원 초반 요인 외에 동적 ICU 변수가 6개월 후 기능적 결과에 기여하는 정도를 정량화한다.
• 모델의 신뢰성 및 정보 내용을 평가하여 임상적 통찰 생성에 기여하는지를 분석한다.
• 특히 장기 입원(>5.75일) 환자에서의 모델 성능을 평가한다.
• 이질적이고 누락된, 다중 모odal한 ICU 데이터를 통합하고 최소한의 전처리를 통해 시간에 따라 변화하는 환자 기록의 해석 가능한 시계열 표현을 만든다.

제안 방법

• 1,166종의 입원 전 및 ICU 변수 시계열 데이터(누락 값 포함)를 토큰 임베딩한 시간 시리즈를 처리하는 순환신경망(RNN)을 사용하며, GRU 아키텍처를 적용한다.
• 변수는 20단계의 분위수 구간으로 분할된 후, 임베딩을 통해 64차원 또는 128차원 벡터로 표현하여 임상 상태를 나타낸다.
• 모델 입력은 환자별 2시간 간격의 시간 창이며, 훈련 중 최적의 창 길이로 84(168시간)가 설정된다.
• 모델은 각 시간 지점에서 8단계 GOSE에 대한 순서형 확률을 소프트맥스 출력층을 통해 출력한다.
• 검증 예측 결과의 캘리브레이션을 향상시키기 위해 온도 스케일링을 적용한다.
• 모델의 분류 성능 평가에 소머스의 Dxy를 사용하여 예측된 GOSE 결과와 실제 결과 간의 일치도를 측정한다.

실험 결과

연구 질문

• RQ1 동적 ICU 변수가 입원 전 및 입원 초반 정적 요인 외에 6개월 후 기능적 결과 변동성에 얼마나 기여하는가?
• RQ2 특히 5.75일 이상 장기 입원한 환자에서 모델 성능은 어떻게 변화하는가?
• RQ3 어떤 임상 변수가 환자 궤적 변화 및 예후 예측에 가장 강하게 연관되어 있는가?
• RQ4 단일 통합 딥러닝 모델이 이질적이고 누락된, 다중 모달리티 ICU 데이터를 얼마나 잘 통합하여 기능적 결과를 예측할 수 있는가?
• RQ5 모델의 시계열 출력이 시간에 따라 변화하는 환자 중증도를 해석 가능한 데이터 기반 대체 지표로 활용할 수 있는가?

주요 결과

• 1,166종의 전체 변수 조합이 6개월 후 GOSE의 순서형 변동성의 최대 52% (95% 신뢰구간: 50%–54%)를 설명한다.
• 입원 전 및 입원 초반(정적) 변수만으로도 이 변동성의 최대 91% (95% 신뢰구간: 90%–91%)를 설명하며, 이는 결과 예측에서의 주요 기여 요소임을 시사한다.
• 동적 ICU 변수는 추가로 5% (95% 신뢰구간: 4%–6%)의 기여를 하지만, 장기 입원 환자에서는 성능 향상에 기여하지 못함을 확인하였다.
• 기여도가 가장 높은 변수로는 의료진 기반 예후 평가, CT 소견, 뇌신경 기능 지표가 포함된다.
• ICU 입원 기간이 5.75일을 초과하는 환자에서 모델 성능이著명하게 악화되어, 장기 궤적 변화를 포착하는 데 한계가 있음을 시사한다.
• 제안된 모델링 전략은 복잡하고 이질적인 환자 기록을 누락값 통합 및 최소 전처리를 통해 해석 가능한 시계열로 성공적으로 변환하였다.