Spontaanien hengitystestin onnistumisen ennustaminen biosignaalilla ja biomarkkerilla tehohoitoyksikössä koneoppimismenetelmällä

Konteksti:

Useat kirjailijat ovat olleet kiinnostuneita tekoälyn (AI) soveltamisesta lääketieteessä, käyttämällä erilaisia ​​koneoppimistekniikoita: septisen shokin hallintaa, munuaisten vajaatoiminnan ennustamista... [1, 2] Tekoälyllä on tärkeä paikka kliinikoiden päätöksenteon tuessa [ 3]. Vierotusaika on todella tärkeä aika koneellisessa ventilaatiossa olevan potilaan hoidossa ja voi kestää jopa puolet tehoosastollaoloajasta. Ensimmäinen vieroitusyritys epäonnistuu 20 %:lla potilaista. Kuolleisuus voi kuitenkin olla jopa 38 % potilailla, joiden vieroitus on vaikein [4]. Vain muutamassa tutkimuksessa on tarkasteltu koneoppimisen soveltamista tällä alueella, ja vain yhdessä on tarkasteltu biosignaalien käyttöä (sydämen syke, EKG, hengitysparametrit…) [5-7]. Sairastuvuuden, kuolleisuuden parantamiseksi ja oleskelun keston lyhentämiseksi on välttämätöntä pystyä ennakoimaan spontaanin hengitystestin ja ekstubaation onnistuminen.

Tutkijat ehdottavat, että kehitetään ennustusalgoritmi hengityselinten vieroitustestin onnistumiselle biosignaalitietojen ja muiden ominaisuuksien perusteella.

Menetelmät:

Se on tehohoidon, oligokeskeinen ja retrospektiivinen tutkimus, johon tutkijat sisälsivät sähköisistä potilaskertomuksista poimittuja biosignaalimuuttujia, kuten hengitys (RR, minuuttitilavuus...), sydän (systolinen paine, syke...), hengityslaite parametrit ja muut erilliset muuttujat (ikä, komorbiditeetti...). Useimmat biosignaalimuuttujat ovat minuuttikohtaisia ​​tietueita. Tallennus alkaa 48 tuntia ennen testiä ja loppuu vieroitustestin alkaessa. Tutkijat poimivat ominaisuuksia näistä tietueista, yhdistivät ne muihin biomarkkereihin ja käyttivät useita koneoppimisalgoritmeja: Logistic Regression, Random Forest Classifier, Support Vector Classifier (SVC), XGBoost ja Light Gradient Boosting Method (LGBM)…