[论文解读] Early prediction of respiratory failure in the intensive care unit

Matthias Hüser, Martin Faltys+5 more|arXiv (Cornell University)|May 12, 2021

Healthcare Technology and Patient Monitoring被引用 1

一句话总结

本文提出了一种基于机器学习的早期预警系统，利用HiRID-II数据集中的高分辨率临床数据，提前最多8小时预测重症监护病房（ICU）患者的中度至重度呼吸衰竭。通过持续估计PaO2（动脉血氧分压）与SpO2（脉搏血氧饱和度）和FiO2（吸入氧浓度）的关系，并基于25项临床变量训练模型，该系统在预测性能上优于临床基线，检测P/F ≤200 mmHg时的AUROC达到0.919。

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.

研究动机与目标

• 开发一种基于机器学习的早期预警系统，用于预测ICU患者中度/重度呼吸衰竭。
• 通过利用高分辨率ICU监测数据，改进传统临床决策方法。
• 利用包含25项临床变量的综合数据集，实现实时、连续的呼吸功能恶化预测。
• 通过基于网络的可视化工具，提升模型的可解释性，供临床医生和研究人员使用。

提出的方法

• 该系统使用神经网络从脉搏血氧饱和度（SpO2）和近期动脉血气分析（ABGA）测量值中估计PaO2，优于现有参数化模型。
• 根据临床背景估算FiO2：环境空气（21%）、补充氧气（使用查表法）或机械通气（记录值）。
• 采用时间序列模型，基于25项临床变量（包括生命体征、实验室数值和呼吸参数）提前最多8小时预测呼吸衰竭。
• 模型在HiRID-II数据集上进行训练，该数据集为高分辨率ICU数据集，包含62,551例住院记录和899项记录变量。
• 基于网络的交互式查看工具使临床医生能够实时探索患者数据、模型预测和事件标注。
• 通过可视化检查工具增强模型可解释性，将预测结果、事件和标签叠加在同步的时间序列图上。

实验结果

研究问题

• RQ1 基于高分辨率临床数据，机器学习模型能否在ICU患者中度/重度呼吸衰竭发生前最多8小时实现预测？
• RQ2 基于神经网络的PaO2估计模型在检测呼吸衰竭方面，与既定参数化模型相比表现如何？
• RQ3 整合包含25项临床变量的综合数据集，在多大程度上提升了预测准确性，相较于传统临床指标？
• RQ4 基于网络的可视化工具是否能增强模型可解释性，并支持实时临床决策？

主要发现

• 所提出的Full-NN模型在所有SpO2范围内的PaO2估计误差中位数为9.2 mmHg，优于参数化基线模型（10.1 mmHg）。
• Full-NN模型在检测P/F比值≤200 mmHg时的AUROC达到0.919，优于参数化基线模型（0.914）和SpO2-NN模型（0.917）。
• 该系统平均在呼吸衰竭发生前4.5小时触发警报，为临床干预提供早期预警。
• 基于网络的ICU监测工具实现了患者数据、模型预测和事件标注的动态、交互式可视化，并支持实时同步。
• 该系统在仅使用SpO2和FiO2的临床基线模型基础上表现更优，证明了整合多种生理变量的价值。
• 该模型在不同SpO2范围内的表现稳健，其中在80–90%范围内误差最低（4.4 mmHg）。