[论文解读] Machine learning predicts early onset of fever from continuous physiological data of critically ill patients

Aditya Singh, Akram Mohammed+2 more|arXiv (Cornell University)|Sep 14, 2020

Sepsis Diagnosis and Treatment参考文献 15被引用 4

一句话总结

本研究开发了一种机器学习模型，利用连续5分钟的生理数据，提前最多4小时预测重症监护病房（ICU）患者发热的发作。通过从生命体征中提取统计特征，并应用自助聚合（bootstrap aggregation）以平衡数据，该模型实现了高精度、高召回率和高F1分数，显示出在早期临床干预方面具有强大潜力。

ABSTRACT

Fever can provide valuable information for diagnosis and prognosis of various diseases such as pneumonia, dengue, sepsis, etc., therefore, predicting fever early can help in the effectiveness of treatment options and expediting the treatment process. This study aims to develop novel algorithms that can accurately predict fever onset in critically ill patients by applying machine learning technique on continuous physiological data. We analyzed continuous physiological data collected every 5-minute from a cohort of over 200,000 critically ill patients admitted to an Intensive Care Unit (ICU) over a 2-year period. Each episode of fever from the same patient were considered as an independent event, with separations of at least 24 hours. We extracted descriptive statistical features from six physiological data streams, including heart rate, respiration, systolic and diastolic blood pressure, mean arterial pressure, and oxygen saturation, and use these features to independently predict the onset of fever. Using a bootstrap aggregation method, we created a balanced dataset of 7,801 afebrile and febrile patients and analyzed features up to 4 hours before the fever onset. We found that supervised machine learning methods can predict fever up to 4 hours before onset in critically ill patients with high recall, precision, and F1-score. This study demonstrates the viability of using machine learning to predict fever among hospitalized adults. The discovery of salient physiomarkers through machine learning and deep learning techniques has the potential to further accelerate the development and implementation of innovative care delivery protocols and strategies for medically vulnerable patients.

研究动机与目标

• 开发一种机器学习模型，利用连续生理监测数据预测重症患者发热发作。
• 识别在发热发作前出现的显著生理标志物（physiomarkers）来自生命体征。
• 通过提前最多4小时预测发热，实现早期诊断与干预。
• 使用自助聚合方法创建平衡数据集，以确保模型训练与评估的可靠性。
• 展示机器学习在预测易感ICU人群发热方面的临床可行性。

提出的方法

• 在为期2年的期间内，从20多万名ICU患者中收集了连续5分钟的生理数据。
• 从六种生命体征流中提取描述性统计特征：心率、呼吸频率、收缩压、舒张压、平均动脉压和血氧饱和度。
• 将每次发热发作视为独立事件，事件之间至少间隔24小时，以避免时间上的重叠。
• 使用自助聚合方法创建了一个包含7,801名无发热和发热患者的数据集，用于模型训练。
• 应用监督式机器学习技术，利用发热前4小时窗口内提取的特征，提前最多4小时预测发热发作。
• 使用标准指标（召回率、精确率和F1分数）评估模型性能。

实验结果

研究问题

• RQ1 机器学习模型能否利用连续生理数据预测重症患者发热发作？
• RQ2 从生命体征中提取的哪些生理特征对预测发热发作最具预测性？
• RQ3 使用机器学习技术，能在多早的时间点以可接受的准确率预测发热？
• RQ4 通过使用平衡数据集，能否提升模型在预测罕见事件（如发热发作）方面的性能？
• RQ5 在ICU环境中，利用机器学习进行早期发热预测具有怎样的临床潜力？

主要发现

• 该机器学习模型成功在发热发生前最多4小时实现高召回率、高精确率和高F1分数的预测。
• 该模型在包含7,801名患者的平衡数据集上表现稳定，涵盖发热与无发热病例。
• 从六种生理信号流中提取的统计特征，有效捕捉了发热前的生理模式。
• 本研究证明了利用机器学习检测重症成人患者发热早期征兆的可行性。
• 通过模型识别出的显著生理标志物，可为未来实时临床决策支持系统的发展提供依据。
• 研究结果支持将机器学习整合到ICU监测中，以实现更主动的患者管理。