Forutsigelse av suksess med spontan pustetest ved bruk av biosignal og biomarkør i Critical Care Unit ved en maskinlæringsmetode

Kontekst:

Flere forfattere har vært interessert i å bruke kunstig intelligens (AI) på medisin, ved å bruke forskjellige maskinlæringsteknikker (ML): å håndtere septisk sjokk, forutsi nyresvikt... [1, 2] AI har en viktig plass i beslutningsstøtte for klinikere [ 3]. Avvenningsperioden er en veldig viktig tid i behandlingen av en pasient på mekanisk ventilasjon og kan ta opptil halvparten av tiden som brukes på intensivavdelingen. Det første avvenningsforsøket mislykkes hos 20 % av pasientene. Dødeligheten kan imidlertid være så høy som 38 % hos pasienter med den vanskeligste avvenningen [4]. Bare noen få studier har sett på bruken av maskinlæring på dette området, og bare én har sett på bruken av biosignaler (hjertefrekvens, EKG, ventilasjonsparametere...) [5-7]. For å forbedre sykelighet, dødelighet og redusere liggetiden, er det viktig å kunne forutsi suksessen til den spontane pustetesten og ekstuberingen.

Etterforskere foreslår å utvikle en prediktiv algoritme for å lykkes med en ventilatorisk avvenningstest basert på biosignalregistreringer og andre funksjoner.

Metoder:

Det er en kritisk pleie, oligo-sentrisk og retrospektiv studie som etterforskerne inkluderte biosignalvariabler hentet fra den elektroniske journalen, slik som respiratorisk (RR, minuttvolum...), hjerte (systolisk trykk, hjertefrekvens...), ventilator. parametere og andre diskrete variabler (alder, komorbiditet...). De fleste biosignalvariabler er registreringer fra minutt for minutt. Registreringen starter 48 timer før prøven og stopper ved starten av avvenningsprøven. Etterforskerne hentet ut funksjoner fra disse postene, kombinerte dem med andre biomarkører og brukte flere maskinlæringsalgoritmer: Logistic Regression, Random Forest Classifier, Support Vector Classifier (SVC), XGBoost og Light Gradient Boosting Method (LGBM)...