[论文解读] Improving Mechanical Ventilator Clinical Decision Support Systems with A Machine Learning Classifier for Determining Ventilator Mode

Gregory B. Rehm, Brooks Kuhn+4 more|arXiv (Cornell University)|Apr 29, 2019

Respiratory Support and Mechanisms参考文献 19被引用 4

一句话总结

本文提出了一种机器学习分类器，能够使用呼吸周期数据实时准确识别机械通气模式，在美国常见的五种通气模式中实现了97.52%的平均F1分数。该模型通过弥补通气设置信息缺失的数据缺口，增强了临床决策支持系统（CDSS）的性能，对传感器或软件故障导致的数据缺失具有强健的鲁棒性。

ABSTRACT

Clinical decision support systems (CDSS) will play an in-creasing role in improving the quality of medical care for critically ill patients. However, due to limitations in current informatics infrastructure, CDSS do not always have com-plete information on state of supporting physiologic monitor-ing devices, which can limit the input data available to CDSS. This is especially true in the use case of mechanical ventilation (MV), where current CDSS have no knowledge of critical ventilation settings, such as ventilation mode. To enable MV CDSS to make accurate recommendations related to ventilator mode, we developed a highly performant ma-chine learning model that is able to perform per-breath clas-sification of 5 of the most widely used ventilation modes in the USA with an average F1-score of 97.52%. We also show how our approach makes methodologic improvements over previous work and that it is highly robust to missing data caused by software/sensor error.

研究动机与目标

• 解决临床决策支持系统（CDSS）在机械通气中缺乏实时通气模式感知的问题。
• 开发一种机器学习分类器，利用每搏生理数据确定当前的通气模式。
• 通过实现实时、准确的通气模式识别，即使在数据不完整或缺失的情况下，提升CDSS的性能。
• 克服现有CDSS因基础设施限制而无法获取关键通气设置信息的局限性。

提出的方法

• 使用从呼吸波形和设置中提取的每搏特征，对监督式机器学习模型进行训练。
• 该模型将呼吸分类为美国使用的五种主要通气模式之一：辅助控制、同步间歇指令通气、压力控制、压力支持和压力调节容量控制。
• 特征工程包括吸气时间、呼气时间、潮气量、气道峰压及其他与呼吸相关的血流动力学参数。
• 实施了稳健的训练与评估流程，以处理缺失数据，模拟真实世界中传感器和软件故障的情况。
• 该模型采用集成学习技术，以提高泛化能力，并在数据退化条件下保持高性能。
• 系统在来自重症监护环境的真实世界数据集上进行了验证，确保了临床相关性。

实验结果

研究问题

• RQ1 能否仅使用每搏生理数据，通过机器学习模型准确分类机械通气模式？
• RQ2 在临床环境中常见的传感器数据缺失或损坏条件下，该模型表现如何？
• RQ3 所提出的分类器能否显著提升机械通气中CDSS的输入数据质量？
• RQ4 与以往工作相比，该方法在通气模式检测方面有哪些方法论上的改进？
• RQ5 该模型对导致数据流中断的软件或传感器故障的鲁棒性如何？

主要发现

• 该机器学习分类器在美国五种主要通气模式中实现了97.52%的平均F1分数。
• 该模型对缺失数据表现出高度鲁棒性，在多达30%的输入特征被破坏的情况下仍能保持性能。
• 该方法在真实世界数据质量挑战下，其准确性和可靠性均优于以往方法。
• 该系统使CDSS能够基于模式感知做出更明智的推荐，显著提升了临床决策支持的质量。
• 该模型的每搏分类能力使CDSS能够根据当前通气模式实时调整干预措施。
• 方法论上的改进包括更优的特征表示和对数据缺口的增强处理，为通气模式检测设立了新基准。