[论文解读] Machine Learning to Support Triage of Children at Risk for Epileptic Seizures in the Pediatric Intensive Care Unit

Raphael Azriel, Cecil D. Hahn+6 more|arXiv (Cornell University)|May 11, 2022

EEG and Brain-Computer Interfaces参考文献 23被引用 10

一句话总结

本研究开发了一种基于常规心电图（ECG）和临床数据的机器学习分诊工具，用于预测危重症儿童的癫痫发作风险，在结合ECG特征与临床病史时，AUROC达到0.87。该模型显著提高了阳性预测值，相较于标准临床分诊，减少了儿科重症监护病房中的资源浪费。

ABSTRACT

Objective: Epileptic seizures are relatively common in critically-ill children admitted to the pediatric intensive care unit (PICU) and thus serve as an important target for identification and treatment. Most of these seizures have no discernible clinical manifestation but still have a significant impact on morbidity and mortality. Children that are deemed at risk for seizures within the PICU are monitored using continuous-electroencephalogram (cEEG). cEEG monitoring cost is considerable and as the number of available machines is always limited, clinicians need to resort to triaging patients according to perceived risk in order to allocate resources. This research aims to develop a computer aided tool to improve seizures risk assessment in critically-ill children, using an ubiquitously recorded signal in the PICU, namely the electrocardiogram (ECG). Approach: A novel data-driven model was developed at a patient-level approach, based on features extracted from the first hour of ECG recording and the clinical data of the patient. Main results: The most predictive features were the age of the patient, the brain injury as coma etiology and the QRS area. For patients without any prior clinical data, using one hour of ECG recording, the classification performance of the random forest classifier reached an area under the receiver operating characteristic curve (AUROC) score of 0.84. When combining ECG features with the patients clinical history, the AUROC reached 0.87. Significance: Taking a real clinical scenario, we estimated that our clinical decision support triage tool can improve the positive predictive value by more than 59% over the clinical standard.

研究动机与目标

• 开发一种临床决策支持工具，以改善儿科重症监护病房（PICU）中危重症儿童癫痫发作风险的分诊。
• 利用常规记录的ECG信号作为非侵入性、低成本的癫痫发作风险评估代理指标。
• 通过更准确地识别高风险患者，减少对持续脑电图（cEEG）监测的依赖。
• 在cEEG设备和人员有限的PICU中，优化资源分配。
• 通过实现对常被漏诊但影响发病率和死亡率的亚临床癫痫发作的早期检测，改善临床结局。

提出的方法

• 使用从首次记录一小时内提取的ECG特征和临床数据，训练了一种基于患者层面的机器学习模型。
• ECG预处理包括使用jqrs进行R波峰检测，设置150ms的不应期，以及通过filtrr进行NN间期滤波以去除伪影。
• 特征包括年龄、QRS面积、心率变异性（HRV）以及来自ECG信号的形态学特征（MOR）。
• 采用随机森林分类器进行癫痫发作与非癫痫发作风险的二分类预测。
• 通过模拟临床分诊场景中的AUROC和阳性预测值（PPV）评估模型性能。
• 元模型（META）整合了多个特征集，以提升预测性能。

实验结果

研究问题

• RQ1 从监测首小时获取的ECG衍生特征是否能预测危重症儿童的癫痫发作风险？
• RQ2 将ECG特征与临床病史结合，是否能提升癫痫发作风险预测效果，相比仅依赖临床判断？
• RQ3 数据驱动的分诊模型是否能减少假阳性结果，并改善cEEG监测的资源分配？
• RQ4 哪些ECG特征对儿科ICU患者的癫痫发作风险最具预测力？
• RQ5 随着训练数据规模的增加，模型性能如何变化？

主要发现

• 仅使用首小时记录的ECG特征（无既往临床数据），模型AUROC达到0.84，表明具备良好预测能力。
• 当结合ECG特征与临床病史时，AUROC提升至0.87，显示出强大的预测性能。
• 最具预测力的特征为患者年龄、昏迷病因中的脑损伤，以及QRS面积。
• 在模拟临床场景中，若仅有8台cEEG机器可用，META+HRV+MOR模型的PPV达到51%，相较临床标准（32% PPV）相对提升59%。
• Age+HRV+MOR模型的PPV为41%，相较临床实践相对提升28%。
• 学习曲线显示，ECG基模型的性能随着训练数据量增加而持续提升，表明在更大数据集下仍有进一步优化潜力。