פיתוח מודלים מבוססי למידה עמוקה לניבוי אירועים קריטיים בילדים במחלקות כלליות

במחקר שפורסם לאחרונה ב-Scientific Reports, חוקרים השתמשו בלמידה עמוקה כדי לפתח מודל המנבא אירועים קריטיים אצל אנשים ילדים שאושפזו במחלקה הכללית באמצעות משתנים פשוטים.

לימוד: פיתוח מודל למידה עמוקה המנבא אירועים קריטיים של מטופלים ילדים המאושפזים במחלקה כלליתס. קרדיט תמונה: PopTika/Shutterstock.com

רקע כללי

אבחון מוקדם של אנשים מתדרדרים חיוני לניהול מהיר לפני אירועים קריטיים כמו החייאה לב ריאה (CPR). ילדים נוטים יותר לקבל טיפול לפני דום לב. הכלים הקיימים גוזלים זמן ומורכבים, מה שהופך אותם לבלתי ניתנים לביצוע.

לציון האזהרה המוקדמת של ילדים (PEWS) יש יכולת חיזוי ירודה. למידה עמוקה משמשת לפיתוח מודלים של חיזוי למשברים רפואיים; עם זאת, רוב המחקרים התמקדו במבוגרים.

מחקר אחד השתמש ב-29 קריטריונים כדי לקבוע את ההסתברות להעברת טיפול נמרץ, מה שעשוי להיות לא מציאותי. אחר יצר מודל LSTM שצריך יותר מ-20 מדידות של סימנים חיוניים.

לגבי המחקר

במחקר התצפית הרטרוספקטיבי החתך הרטרוספקטיבי הנוכחי, חוקרים פיתחו מודל למידת מכונה לניבוי אירועים מכריעים בחולים ילדים המאושפזים במחלקות כלליות על סמך מאפיינים כגון סימנים חיוניים, גיל, מין ומרווח מדידה.

הצוות ערך את המחקר מינואר 2020 עד דצמבר 2022, כולל חולים בני פחות מ-18 שנים מאושפזים במחלקה הכללית של בית חולים ילדים שלישוני.

הם אפיינו אירועים קריטיים כהחייאה במחלקות כלליות, העברה בלתי צפויה ליחידות טיפול נמרץ (ICU) או מוות.

הם אימנו מודל חיזוי של אירועים קריטיים תוך שימוש בסימנים חיוניים שנאספו במהלך האשפוז, תוך שימוש במרווחי מדידה של המשתתפים, גיל ומין כדי לתקן את השונות בטווח הנורמלי לפי גיל.

החוקרים הפרידו את מערכי הנתונים המעובדים מראש למערכי נתונים של אימון (80%) ומבחן (20%), עם למידה עמוקה שבוצעה באמצעות רשתות עצביות מלאכותיות פשוטות (ANN). הם בחנו אינדיקטורים חיוניים על ידי שילוב של קודי זיהוי בדויים ותאריכי אשפוז כדי ליצור קודי זיהוי ייחודיים לאשפוז (IHID).

הם מיינו את משכי מדידת הסימנים החיוניים בסדר עולה והעריכו את המרווח בין מדידות הסימנים החיוניים בתוך ה-IHID.

החוקרים זיהו רשומות קריטיות כנתונים שנאספו שש שעות לפני אירוע, כגון העברה לטיפול נמרץ או מוות, ושש שעות לפני התרחשות החייאה, כגון תמותה לאחר החייאת לב-ריאה.

הם חילקו את הרשומות לקטגוריות לא קריטיות וקטגוריות קריטיות, חיסלו רשומות לא קריטיות המכילות אירועים מכריעים וביצעו למידה עמוקה על הרשומות המתועדות האחרונות עבור IHID בקבוצות לא קריטיות.

החוקרים מדדו את יכולת החיזוי של המודל באמצעות שני מדדים חיוניים: השטח מתחת לעקומת המאפיין ההפעלה של המקלט (AUROC) והשטח מתחת לעקומת ההחזרה המדויקת (AUPRC).

נקודות קצה משניות כללו החייאה, העברה בלתי צפויה ליחידה לטיפול נמרץ ומוות. המחקר בדק בנוסף את הרלוונטיות של תהליך האומדן עבור כל המאפיינים בהם נעשה שימוש והקשר ביניהם.

תוצאות

המחקר כלל 13,787 אנשים עם 22,184 אשפוזים ו-1,039,070 נקודות נתונים עבור סימנים חיוניים. הגיל הממוצע של המשתתפים באשפוז היה 69 חודשים, כאשר 43% מהמטופלים היו נשים.

האשפוז נמשך 3.0 ימים. לאחר סינון נתונים, נותרו 14,227 רשומות רלוונטיות, עם 74 חודשים ו-43% נשים.

הקטגוריה הקריטית היוותה 4.40% מהחולים, כאשר 261 מקרים הצריכו החייאה לב-ריאה, 238 מקרים שכללו העברה לא מתוכננת לטיפול נמרץ ו-141 מקרי מוות. ערך הזקיפה הממוצע עבור נתונים חסרים עבור מרווח המדידה הראשוני היה 276.

הביצועים החזויים של המודל שנוצר היו יוצאי דופן, עם AUROC של 0.99 ו-AUPRC של 0.90.

הצוות יצר מודל למידה עמוקה עם יכולת חיזוי יוצאת דופן המשתמש בגורמים פשוטים כדי לחזות במדויק התרחשויות חיוניות תוך הורדת עומס העבודה של הצוות הרפואי. עם זאת, המחקר היה ניסוי במרכז יחיד, שהצדיק מחקר נוסף לאימות חיצוני של המודל.

המנבאים המשמעותיים ביותר של התוצאות היו מרווח המדידה, SpO2 וציון RR z. פלט המודל גדל ככל שהמרווח פוחת, ואילו ההשפעה פוחתת ככל שהמרווח גדל. SpO2 הראה מגמה דומה.

לקצב נשימה גבוה יותר ולציוני z-דופק הייתה השפעה גבוהה יותר על התוצאות, בעוד שערכים נמוכים יותר של ציוני z השפיעו פחות.

בחינת הקשר בין מאפיינים לאפיון מודל העלתה כי מרווחי מדידה צרים יותר הביאו לערכי SHAP גבוהים יותר, אך ציון z HR לא היה משמעותי.

הקשר בין ערכי ריווי חמצן (SpO2) לבין קריאות SHAP היה הפוך באופן רציף, כאשר הנטייה הופכת בולטת יותר עם ירידה במרווחי המדידה.

סיכום

בסך הכל, ממצאי המחקר מדגישים מודל המבוסס על למידה עמוקה המשתמש בנתונים פשוטים כגון סימנים חיוניים, מין, מרווחי מדידה וגיל כדי לחזות התערבות בחולים ילדים כושלים.

שיטה זו מפחיתה את עומס הצוות הרפואי על ידי הסתמכות על מספר קטן של משתנים במקום צבירת מדידות. למודל היו ערכי AUROC ו-AUPRC של 0.99 ו-0.90, בהתאמה, הרבה יותר טובים ממחקר קודם.

הדגם עלה ברציפות על 0.96 עבור כל האירועים המכריעים, אך ה-AUPRC שלו ירד עקב חוסר הכשרה מיוחדת. המודל הפיק ממצאים טובים יותר בכל התקופות, כנראה בשל חוסר איזון בין תת-קבוצות לא קריטיות ומכריעות ואחידות הנתונים.