A spontán légzési teszt sikerének előrejelzése biosignal és biomarker használatával a kritikus osztályon gépi tanulási megközelítéssel

Kontextus:

Több szerző is érdeklődött a mesterséges intelligencia (AI) gyógyászatban való alkalmazása, különféle gépi tanulási (ML) technikák alkalmazása iránt: szeptikus sokk kezelése, veseelégtelenség előrejelzése... [1, 2] Az AI fontos szerepet játszik a klinikusok döntéstámogatásában [ 3]. A leszoktatási időszak nagyon fontos időszak a gépi lélegeztetésen átesett betegek kezelésében, és az intenzív osztályon eltöltött idő akár felét is igénybe veheti. Az első elválasztási kísérlet a betegek 20%-ánál sikertelen, a legnehezebb elválasztású betegek mortalitása azonban elérheti a 38%-ot is [4]. Csak néhány tanulmány foglalkozott a gépi tanulás alkalmazásával ezen a területen, és csak egy vizsgálta a biojelek (szívfrekvencia, EKG, lélegeztetési paraméterek…) használatát [5-7]. A morbiditás, mortalitás és a tartózkodási idő csökkentése érdekében elengedhetetlen a spontán légzésteszt és az extubáció sikerének előrejelzése.

A kutatók azt javasolják, hogy dolgozzanak ki egy prediktív algoritmust a lélegeztetési elválasztási teszt sikeréhez a bioszignál rekordok és egyéb jellemzők alapján.

Mód:

Ez egy kritikus ellátás, oligo-centrikus és retrospektív vizsgálat, amelyben a kutatók az elektronikus kórlapból kinyert bioszignál változókat tartalmaztak, mint például a légzés (RR, perctérfogat...), a szív (szisztolés nyomás, pulzusszám...), lélegeztetőgép paraméterek és egyéb diszkrét változók (életkor, komorbiditás...). A legtöbb biojelváltozó percenkénti rekord. A felvétel 48 órával a vizsgálat előtt kezdődik és az elválasztási teszt kezdetekor leáll. A kutatók ezekből a rekordokból vontak ki jellemzőket, kombinálták őket más biomarkerekkel, és számos gépi tanulási algoritmust alkalmaztak: logisztikai regressziót, véletlenszerű erdőosztályozót, támogatási vektorosztályozót (SVC), XGBoost és Light Gradient Boosting Method (LGBM)…