Predikce úspěchu spontánního dechového testu pomocí biosignálu a biomarkeru na jednotce intenzivní péče pomocí přístupu strojového učení

Kontext:

Několik autorů se zajímalo o aplikaci umělé inteligence (AI) v medicíně pomocí různých technik strojového učení (ML): zvládání septického šoku, predikce selhání ledvin... [1, 2] AI má důležité místo v podpoře rozhodování pro klinické lékaře [ 3]. Období odvykání je skutečně důležitým časem v péči o pacienta na umělé plicní ventilaci a může zabrat až polovinu času stráveného na jednotce intenzivní péče. První pokus o odvykání je neúspěšný u 20 % pacientů U pacientů s nejobtížnějším odvykáním však může mortalita dosahovat až 38 % [4]. Pouze několik studií se zabývalo aplikací strojového učení v této oblasti a pouze jedna se zabývala využitím biosignálů (srdeční frekvence, EKG, ventilační parametry…) [5–7]. Pro zlepšení morbidity, mortality a zkrácení délky pobytu je nezbytné umět předpovědět úspěšnost spontánního dechového testu a extubace.

Vyšetřovatelé navrhují vyvinout prediktivní algoritmus pro úspěch ventilačního testu odstavení na základě záznamů biosignálů a dalších funkcí.

Metody:

Jedná se o kritickou péči, oligocentrickou a retrospektivní studii, do které výzkumníci zahrnuli biosignální proměnné extrahované z elektronického lékařského záznamu, jako je dýchání (RR, minutový objem...), srdeční (systolický tlak, srdeční frekvence...), ventilátor parametry a další diskrétní proměnné (věk, komorbidita...). Většina proměnných biosignálu jsou záznamy minutu po minutě. Záznam začíná 48 hodin před testem a končí na začátku testu odstavení. Vyšetřovatelé z těchto záznamů extrahovali vlastnosti, zkombinovali je s dalšími biomarkery a použili několik algoritmů strojového učení: Logistic Regrese, Random Forest Classifier, Support Vector Classifier (SVC), XGBoost a Light Gradient Boosting Method (LGBM)…