[论文解读] Mining the contribution of intensive care clinical course to outcome after traumatic brain injury

Shubhayu Bhattacharyay, Pier Francesco Caruso+8 more|arXiv (Cornell University)|Mar 8, 2023

Traumatic Brain Injury and Neurovascular Disturbances参考文献 37被引用 2

一句话总结

本研究基于1,550名TBI患者的1,166项异质性ICU变量，开发了一种深度学习模型，每两小时预测一次六个月后的功能结局（GOSE）。研究发现，入院前及入院时的数据可解释高达91%的结局变异，而动态ICU数据仅带来最多5%的增量价值，凸显了在捕捉长期住院患者轨迹方面的局限性。

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.

研究动机与目标

• 开发一种数据驱动的方法，以建模TBI患者在ICU中的完整临床过程。
• 量化动态ICU变量在入院前和入院时静态因素之外，对六个月功能结局的增量贡献。
• 评估模型在生成临床洞察方面的可靠性和信息含量。
• 评估模型在不同ICU住院时长下的表现，特别是住院时间超过5.75天的患者。
• 创建一种可解释的时间序列患者记录表示方法，整合缺失数据并最小化预处理。

提出的方法

• 使用GRU架构的循环神经网络（RNN）处理1,166项入院前和ICU变量的时间序列数据，包括缺失值。
• 变量按分位数分箱为20个等级，并嵌入64维或128维向量，以表示临床状态。
• 模型输入包含以2小时为间隔的患者特异性时间窗口，训练期间最优窗口长度设为84（168小时）。
• 模型在每个时间点输出8级GOSE的有序概率，采用Softmax输出层。
• 通过在验证预测上使用温度缩放改进模型校准。
• 使用Somers’ Dxy评估模型区分能力，衡量预测与实际GOSE结局的一致性。

实验结果

研究问题

• RQ1 在静态的入院前和入院因素之外，动态ICU变量在多大程度上解释了TBI患者六个月功能结局的变异？
• RQ2 模型表现如何随ICU住院时长变化，特别是住院时间超过5.75天的患者？
• RQ3 哪些临床变量与患者轨迹变化和结局预后变化最为相关？
• RQ4 单一统一的深度学习模型在多大程度上能整合异质性、缺失值和多模态ICU数据以预测功能结局？
• RQ5 模型的时间序列输出能否作为患者严重程度随时间变化的可解释、数据驱动的代理指标？

主要发现

• 1,166项变量的完整集合可解释六个月GOSE有序变异的52%（95%置信区间：50%–54%）。
• 仅入院前和入院时（静态）变量即可解释高达91%（95%置信区间：90%–91%）的这种变异，表明其在结局预测中的主导作用。
• 动态ICU变量额外贡献5%（95%置信区间：4%–6%）于结局解释，但该增益不足以改善长期住院患者的性能。
• 贡献最高的变量包括医生基于临床的预后判断、CT特征以及神经功能标志物。
• 在ICU住院时间超过5.75天的患者中，模型表现显著下降，表明其在捕捉长期轨迹变化方面存在局限。
• 所提出的建模策略成功地将复杂、异质的患者记录转化为可解释的时间序列，整合了缺失数据并最小化了预处理。