В недавнем исследовании, опубликованном в журнале Scientific Reports, исследователи использовали глубокое обучение для разработки модели, которая предсказывает критические события у педиатрических пациентов, поступивших в общее отделение, с использованием простых переменных.
Исследование: Разработка модели глубокого обучения, которая прогнозирует критические события у педиатрических пациентов, поступивших в общие палаты. Изображение предоставлено: PopTika/Shutterstock.com
Фон
Ранняя диагностика ухудшения состояния людей имеет жизненно важное значение для быстрого оказания помощи до критических событий, таких как сердечно-легочная реанимация (СЛР). Дети с большей вероятностью получат лечение до остановки сердца. Существующие инструменты отнимают много времени и сложны, что делает их неработоспособными.
Педиатрическая шкала раннего предупреждения (PEWS) имеет плохую прогностическую способность. Глубокое обучение используется для разработки моделей прогнозирования медицинских кризисов; однако большинство исследований было сосредоточено на взрослых.
В одном исследовании использовалось 29 критериев для определения вероятности передачи вируса в отделение интенсивной терапии, что может быть нереальным. Другой создал модель LSTM, для которой требовалось более 20 измерений показателей жизнедеятельности.
Об исследовании
В текущем ретроспективном перекрестном обсервационном исследовании исследователи разработали модель машинного обучения для прогнозирования важных событий у педиатрических пациентов, поступивших в отделения общего профиля, на основе таких характеристик, как жизненно важные показатели, возраст, пол и интервал измерений.
Команда проводила исследование с января 2020 года по декабрь 2022 года, включая пациентов в возрасте <18 лет, госпитализированных в общее отделение педиатрической больницы третичного уровня.
Они охарактеризовали критические события как СЛР в палатах общего профиля, неожиданный перевод в отделения интенсивной терапии (ОИТ) или смерть.
Они обучили модель прогнозирования критических событий, используя показатели жизнедеятельности, собранные во время госпитализации, используя интервалы измерения участников, возраст и пол для стандартизации вариабельности нормального диапазона по возрасту.
Исследователи разделили предварительно обработанный набор данных на обучающий (80%) и тестовый (20%) наборы данных, при этом глубокое обучение выполнялось с использованием простых искусственных нейронных сетей (ИНС). Они исследовали жизненно важные показатели, комбинируя псевдонимизированные идентификационные коды и даты госпитализации для создания уникальных идентификационных кодов госпитализации (IHID).
Они отсортировали продолжительность измерений показателей жизнедеятельности в порядке возрастания и оценили интервал между измерениями показателей жизнедеятельности в рамках IHID.
Исследователи определили критические записи как данные, собранные за шесть часов до события, такого как перевод в отделение интенсивной терапии или смерть, и за шесть часов до начала сердечно-легочной реанимации, например, смертность после сердечно-легочной реанимации.
Они разделили записи на некритические и критические категории, исключив некритические записи, содержащие важные события, и выполнили глубокое обучение последних задокументированных записей для IHID в некритических группах.
Исследователи измерили способность модели прогнозировать, используя два основных показателя: площадь под кривой характеристик работы приемника (AUROC) и площадь под кривой точности отзыва (AUPRC).
Вторичные конечные точки включали СЛР, неожиданный перевод в отделение интенсивной терапии и смерть. В исследовании дополнительно изучалась актуальность процесса оценки всех используемых характеристик и связь между ними.
Полученные результаты
В исследование были включены 13 787 человек, 22 184 госпитализированных и 1 039 070 точек данных по жизненно важным показателям. Средний возраст участников на момент госпитализации составил 69 месяцев, при этом 43% пациентов были женщинами.
Госпитализация длилась 3,0 дня. После фильтрации данных осталось 14 227 соответствующих записей, из них 74 месяца и 43% женщин.
На долю критической категории пришлось 4,40% больных, при этом 261 случай потребовал сердечно-легочной реанимации, 238 случаев – внепланового перевода в отделение интенсивной терапии, 141 летальный исход. Среднее значение вменения недостающих данных для начального интервала измерений составило 276.
Прогнозирующая эффективность созданной модели была выдающейся: AUROC 0,99 и AUPRC 0,90.
Команда создала модель глубокого обучения с исключительной способностью прогнозирования, которая использует простые факторы для точного прогнозирования критических событий, одновременно снижая рабочую нагрузку медицинского персонала. Однако исследование представляло собой одноцентровый эксперимент, что требовало дальнейших исследований для внешней проверки модели.
Наиболее значимыми предикторами результатов были интервал измерения, SpO2 и z-показатель RR. Выходные данные модели увеличиваются по мере уменьшения интервала, тогда как эффект уменьшается по мере увеличения интервала. SpO2 показал аналогичную тенденцию.
Более высокие z-показатели частоты дыхания и сердечного ритма имели большее влияние на результаты, тогда как более низкие значения z-показателей имели меньший эффект.
Изучение связи между характеристиками для характеристики модели показало, что более узкие интервалы измерений приводили к более высоким значениям SHAP, но z-показатель HR был незначительным.
Связь между значениями насыщения кислородом (SpO2) и показаниями SHAP была постоянно обратной, причем тенденция становилась более заметной с уменьшением интервалов измерений.
Заключение
В целом, результаты исследования подчеркивают модель, основанную на глубоком обучении, которая использует простые данные, такие как жизненно важные показатели, пол, интервалы измерений и возраст, для прогнозирования вмешательства у неудачных педиатрических пациентов.
Этот метод снижает нагрузку на медицинский персонал, полагаясь на небольшое количество переменных, а не на накопление измерений. Модель имела значения AUROC и AUPRC 0,99 и 0,90 соответственно, что намного лучше, чем в более ранних исследованиях.
Модель постоянно превышала 0,96 для всех важных событий, но ее AUPRC снижался из-за отсутствия специализированной подготовки. Модель дала лучшие результаты во все периоды, вероятно, из-за дисбаланса между некритическими и важными подгруппами и единообразия данных.
2024-02-29 13:15:00
1709213655
#Разработка #модели #на #основе #глубокого #обучения #для #прогнозирования #критических #педиатрических #событий #палатах #общего #профиля
