Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Học máy áp dụng cho Đơn vị Phục hồi Sau phẫu thuật Tim mạch và Đơn vị Chăm sóc Coronary để dự đoán tử vong
Tóm tắt
Hầu hết các hệ thống đánh giá mức độ nghiêm trọng của bệnh trạng được thiết lập nhằm dự đoán tỷ lệ tử vong trong đơn vị chăm sóc đặc biệt (ICU) đã được phát triển chủ yếu cho dân số ICU chung, dựa trên hồi quy logistic (LR). Đến nay, chưa có công cụ dự đoán động nào cho tỷ lệ tử vong ICU được phát triển nhằm vào Đơn vị Phục hồi Sau phẫu thuật Tim mạch (CSRU) và Đơn vị Chăm sóc Coronary (CCU) bằng cách sử dụng học máy (ML). Các bệnh nhân người lớn tại CSRU và CCU từ cơ sở dữ liệu chăm sóc hồi sức MIMIC-III đã được nghiên cứu. Các phương pháp ML phát triển thu thập dữ liệu ICU trong khoảng thời gian 5 giờ và các đặc điểm nhân khẩu học để đưa ra dự đoán tử vong và so sánh với sáu hệ thống đánh giá mức độ nghiêm trọng của bệnh trạng và LR. Trong một thí nghiệm thứ cấp, các tính năng quy trình/phẫu thuật và ICU bổ sung đã được thêm vào các mô hình. Các mô hình ML phát triển bao gồm Tập hợp Cây (TE), Rừng Ngẫu nhiên, Tập hợp Cây XGBoost (XGB), Bayesian Naive (NB), và mạng Bayesian. Các thống kê phân biệt, hiệu chỉnh và độ chính xác đã được đánh giá. Giá trị AUROC vượt trội cho các mô hình ML đạt 0.926 và 0.924 cho XGB, và 0.904 và 0.908 cho TE trong việc dự đoán tỷ lệ tử vong ICU trong các thí nghiệm chính và thứ cấp tương ứng. Trong số các hệ thống thông thường, SOFA tuần tự đã đạt được AUROC cao nhất (0.8405). Điểm Brier tốt hơn cho các mô hình ML ngoại trừ NB so với các hệ thống thông thường. Các thống kê độ chính xác ít nhạy cảm hơn đối với các nhóm cân bằng không đều cao hơn cho tất cả các mô hình ML. Kết luận, sức mạnh dự đoán của XGB là xuất sắc, vượt trội đáng kể so với các hệ thống thông thường và LR. Các mô hình ML phát triển trong công trình này cung cấp kết quả hứa hẹn có thể mang lại lợi ích cho CSRU và CCU.
Từ khóa
#Học máy #Dự đoán tử vong #Đơn vị Phục hồi Sau phẫu thuật Tim mạch #Đơn vị Chăm sóc Coronary #MIMIC-III #Hồi quy logistic #AUROCTài liệu tham khảo
Zangrillo A, Musu M, Greco T, et al. Additive effect on survival of anaesthetic cardiac protection and remote ischemic preconditioning in cardiac surgery: a Bayesian network meta-analysis of randomized trials. PLoS ONE. 2015;10(7):e0134264. https://doi.org/10.1371/journal.pone.0134264.
Vincent JL, Moreno R, Takala J, Willatts S, De Mendonça A, Bruining H, et al. The SOFA (Sepsis-related Organ Failure Assessment) score to describe organ dysfunction/failure. On behalf of the Working Group on Sepsis-Related Problems of the European Society of Intensive Care Medicine. Intensive Care Med. 1996;22(7):707–10.
Ferreira FL, Bota DP, Bross A, Mélot C, Vincent J. Serial evaluation of the SOFA score to predict outcome in critically ill patients. JAMA. 2001;286(14):1754–8. https://doi.org/10.1001/jama.286.14.1754.
Le Gall JR, Loirat P, Alperovitch A, et al. A simplified acute physiology score for ICU patients. Crit Care Med. 1984;12(11):975–7. https://doi.org/10.1097/00003246-198411000-00012.
Le Gall JR, Lemeshow S, Saulnier F. A new simplified acute physiology score (SAPS II) based on a European/North American multicenter study. JAMA. 1993;270(24):2957–63.
Poncet A, Perneger TV, Merlani P, et al. Determinants of the calibration of SAPS II and SAPS 3 mortality scores in intensive care: a European multicenter study. Crit Care. 2017;21:85. https://doi.org/10.1186/s13054-017-1673-6.
Haq A, Patil S, Parcells AL, Chamberlain RS. The simplified acute physiology score III is superior to the simplified acute physiology score II and acute physiology and chronic health evaluation II in predicting surgical and ICU mortality in the “oldest old.” Curr Gerontol Geriatr Res. 2014;2014:934852. https://doi.org/10.1155/2014/934852.
Le Gall JR, Klar J, Lemeshow S, Saulnier F, Alberti C, Artigas A, Teres D. The logistic organ dysfunction system. A new way to assess organ dysfunction in the intensive care unit. ICU Scoring Group. JAMA. 1996;276(10):802-10. https://doi.org/10.1001/jama.276.10.802.
Johnson AE, Kramer AA, Clifford GD. A new severity of illness scale using a subset of acute physiology and chronic health evaluation data elements shows comparable predictive accuracy. Crit Care Med. 2013;41(7):1711–8. https://doi.org/10.1097/ccm.0b013e31828a24fe.
Isenschmid C, Luescher T, Rasiah R, et al. Performance of clinical risk scores to predict mortality and neurological outcome in cardiac arrest patients. Resuscitation. 2019;136:21–9. https://doi.org/10.1016/j.resuscitation.2018.10.022.
Adrie C, Cariou A, Mourvillier B, et al. Predicting survival with good neurological recovery at hospital admission after successful resuscitation of out-of-hospital cardiac arrest: the OHCA score [published correction appears in Eur Heart J. 2007 Mar;28(6):774]. Eur Heart J. 2006;27(23):2840–5. https://doi.org/10.1093/eurheartj/ehl335.
Maupain C, Bougouin W, Lamhaut L, et al. The CAHP (Cardiac Arrest Hospital Prognosis) score: a tool for risk stratification after out-of-hospital cardiac arrest. Eur Heart J. 2016;37(42):3222–8. https://doi.org/10.1093/eurheartj/ehv556.
Bisbal M, Jouve E, Papazian L, et al. Effectiveness of SAPS III to predict hospital mortality for post-cardiac arrest patients. Resuscitation. 2014;85(7):939–44. https://doi.org/10.1016/j.resuscitation.2014.03.302.
Jentzer JC, Bennett C, Wiley BM, et al. Predictive value of the sequential organ failure assessment score for mortality in a contemporary cardiac intensive care unit population. J Am Heart Assoc. 2018;7(6):e008169. https://doi.org/10.1161/JAHA.117.008169.
Jentzer JC, Anavekar NS, Bennett C, et al. Derivation and validation of a novel cardiac intensive care unit admission risk score for mortality. J Am Heart Assoc. 2019;8(17):e013675. https://doi.org/10.1161/JAHA.119.013675.
Hekmat K, Kroener A, Stuetzer H, et al. Daily assessment of organ dysfunction and survival in intensive care unit cardiac surgical patients. Ann Thorac Surg. 2005;79(5):1555–62. https://doi.org/10.1016/j.athoracsur.2004.10.017.
Doerr F, Badreldin AM, Heldwein MB, et al. A comparative study of four intensive care outcome prediction models in cardiac surgery patients. J Cardiothorac Surg. 2011;6:21. https://doi.org/10.1186/1749-8090-6-21.
Doerr F, Badreldin AM, Bender EM, et al. Outcome prediction in cardiac surgery: the first logistic scoring model for cardiac surgical intensive care patients. Minerva Anestesiol. 2012;78(8):879–86.
Johnson AEW, Mark RG. Real-time mortality prediction in the intensive care unit. AMIA Annu Symp Proc. 2018;2017:994–1003.
Thorsen-Meyer H-C, Nielsen AB, Nielsen AP, Kaas-Hansen BS, Toft P, Schierbeck J, Strøm T, Chmura PJ, Heimann M, Dybdahl L, Spangsege L, Hulsen P, Belling K, Brunak S, Perner A. Dynamic and explainable machine learning prediction of mortality in patients in the intensive care unit: a retrospective study of high-frequency data in electronic patient records. Lancet Digital Health. 2020;2:e179-91. https://doi.org/10.1016/S2589-7500(20)30018-2.
Jain SS, Sarkar IN, Stey PC, Anand RS, Biron DR, Chen ES. Using demographic factors and comorbidities to develop a predictive model for ICU mortality in patients with acute exacerbation COPD. AMIA Annu Symp Proc. 2018;2018:1319–28.
Nanayakkara S, Fogarty S, Tremeer M, et al. Characterising risk of in-hospital mortality following cardiac arrest using machine learning: a retrospective international registry study. PLoS Med. 2018;15(11):e1002709. https://doi.org/10.1371/journal.pmed.1002709.
Johnson AEW, Pollard TJ, Shen L, Lehman L, Feng M, Ghassemi M, Moody B, Szolovits P, Celi LA, Mark RG. MIMIC-III, a freely accessible critical care database. Sci Data. 2016. https://doi.org/10.1038/sdata.2016.35.
Johnson A, Pollard T, Mark R. MIMIC-III clinical database (version 1.4). 2016. PhysioNet. https://doi.org/10.13026/C2XW26.
Johnson AE, Stone DJ, Celi LA, Pollard TJ. The MIMIC code repository: enabling reproducibility in critical care research. J Am Med Inform Assoc. 2018;25(1):32–9. https://doi.org/10.1093/jamia/ocx084.
Berthold MR, Cebron N, Dill F, Gabriel TR, Kötter T, Meinl T, et al. KNIME: the Konstanz Information Miner. In: Preisach C, Burkhardt H, Schmidt-Thieme L, Decker R, editors., et al., Data analysis, machine learning and applications. Studies in classification, data analysis, and knowledge organization. Berlin: Springer; 2008. p. 319–26.
Rácz A, Bajusz D, Héberger K. Multi-level comparison of machine learning classifiers and their performance metrics. Molecules. 2019;24(15):2811. https://doi.org/10.3390/molecules24152811.
Schoe A, Bakhshi-Raiez F, de Keizer N, van Dissel JT, de Jonge E. Mortality prediction by SOFA score in ICU-patients after cardiac surgery; comparison with traditional prognostic-models. BMC Anesthesiol. 2020;20(1):65. https://doi.org/10.1186/s12871-020-00975-2.
Benedetto U, Dimagli A, Gibbison B, et al. Disparity in clinical outcomes after cardiac surgery between private and public (NHS) payers in England. Lancet Europe. 2020. https://doi.org/10.1016/j.lanepe.2020.100003.