Published May 7, 2021 | Version v1
Publication Open

Machine learning predicts mortality based on analysis of ventilation parameters of critically ill patients: multi-centre validation

Creators

  • 1. Fondazione Bruno Kessler
  • 2. Centro de Investigación Biomédica en Red de Enfermedades Respiratorias
  • 3. Hospital Universitario de Getafe
  • 4. Paracelsus Medical University
  • 5. University of Salzburg
  • 6. Medizinische Hochschule Hannover
  • 7. Peking Union Medical College Hospital
  • 8. Chinese Academy of Medical Sciences & Peking Union Medical College
  • 9. University of Poitiers
  • 10. Hospital Posadas
  • 11. Universidad Pontificia Bolivariana
  • 12. Institute for Social Security and Services for State Workers
  • 13. Universidade Federal de Juiz de Fora
  • 14. Centro Universitário de Belo Horizonte
  • 15. University of Chieti-Pescara
  • 16. Flinders University
  • 17. Heinrich Heine University Düsseldorf
  • 18. Bombay Hospital
  • 19. Istanbul University
  • 20. Samsung Medical Center
  • 21. Sungkyunkwan University
  • 22. Hospital Fatuma Bourguiba Monastir
  • 23. Papageorgiou General Hospital
  • 24. Mohammed V University
  • 25. Ramathibodi Hospital
  • 26. Mahidol University
  • 27. South Texas Veterans Health Care System
  • 28. The University of Texas Health Science Center at San Antonio

Description

Abstract Background Mechanical Ventilation (MV) is a complex and central treatment process in the care of critically ill patients. It influences acid–base balance and can also cause prognostically relevant biotrauma by generating forces and liberating reactive oxygen species, negatively affecting outcomes. In this work we evaluate the use of a Recurrent Neural Network (RNN) modelling to predict outcomes of mechanically ventilated patients, using standard mechanical ventilation parameters. Methods We performed our analysis on VENTILA dataset, an observational, prospective, international, multi-centre study, performed to investigate the effect of baseline characteristics and management changes over time on the all-cause mortality rate in mechanically ventilated patients in ICU. Our cohort includes 12,596 adult patients older than 18, associated with 12,755 distinct admissions in ICUs across 37 countries and receiving invasive and non-invasive mechanical ventilation. We carry out four different analysis. Initially we select typical mechanical ventilation parameters and evaluate the machine learning model on both, the overall cohort and a subgroup of patients admitted with respiratory disorders. Furthermore, we carry out sensitivity analysis to evaluate whether inclusion of variables related to the function of other organs, improve the predictive performance of the model for both the overall cohort as well as the subgroup of patients with respiratory disorders. Results Predictive performance of RNN-based model was higher with Area Under the Receiver Operating Characteristic (ROC) Curve (AUC) of 0.72 (± 0.01) and Average Precision (AP) of 0.57 (± 0.01) in comparison to RF and LR for the overall patient dataset. Higher predictive performance was recorded in the subgroup of patients admitted with respiratory disorders with AUC of 0.75 (± 0.02) and AP of 0.65 (± 0.03). Inclusion of function of other organs further improved the performance to AUC of 0.79 (± 0.01) and AP 0.68 (± 0.02) for the overall patient dataset and AUC of 0.79 (± 0.01) and AP 0.72 (± 0.02) for the subgroup with respiratory disorders. Conclusion The RNN-based model demonstrated better performance than RF and LR in patients in mechanical ventilation and its subgroup admitted with respiratory disorders. Clinical studies are needed to evaluate whether it impacts decision-making and patient outcomes. Trial registration : NCT02731898 ( https://clinicaltrials.gov/ct2/show/NCT02731898 ), prospectively registered on April 8, 2016.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

التهوية الميكانيكية للخلفية المجردة (MV) هي عملية علاج معقدة ومركزية في رعاية المرضى الذين يعانون من أمراض خطيرة. إنه يؤثر على التوازن الحمضي القاعدي ويمكن أن يسبب أيضًا صدمة بيولوجية ذات صلة بالتنبؤ عن طريق توليد القوى وتحرير أنواع الأكسجين التفاعلية، مما يؤثر سلبًا على النتائج. في هذا العمل، نقوم بتقييم استخدام نمذجة الشبكة العصبية المتكررة (RNN) للتنبؤ بنتائج المرضى الذين يتم تهويتهم ميكانيكيًا، باستخدام معايير التهوية الميكانيكية القياسية. الطرق أجرينا تحليلنا على مجموعة بيانات VENTILA، وهي دراسة رصدية ومستقبلية ودولية ومتعددة المراكز، أجريت للتحقيق في تأثير الخصائص الأساسية والتغيرات الإدارية بمرور الوقت على معدل الوفيات لجميع الأسباب لدى المرضى الذين يعانون من التهوية الميكانيكية في وحدة العناية المركزة. تشمل مجموعتنا 12,596 مريضًا بالغًا تزيد أعمارهم عن 18 عامًا، مرتبطين بـ 12,755 حالة دخول متميزة في وحدات العناية المركزة في 37 دولة ويتلقون تهوية ميكانيكية باضعة وغير باضعة. نجري أربعة تحليلات مختلفة. في البداية، نختار معلمات التهوية الميكانيكية النموذجية ونقيم نموذج التعلم الآلي على كل من المجموعة الكلية ومجموعة فرعية من المرضى الذين تم قبولهم يعانون من اضطرابات في الجهاز التنفسي. علاوة على ذلك، نقوم بإجراء تحليل الحساسية لتقييم ما إذا كان إدراج المتغيرات المتعلقة بوظيفة الأعضاء الأخرى، وتحسين الأداء التنبئي للنموذج لكل من المجموعة الكلية وكذلك المجموعة الفرعية للمرضى الذين يعانون من اضطرابات الجهاز التنفسي. النتائج كان الأداء التنبئي للنموذج القائم على RNN أعلى مع منحنى خصائص تشغيل جهاز الاستقبال (ROC) البالغ 0.72 (± 0.01) ومتوسط الدقة (AP) البالغ 0.57 (± 0.01) مقارنةً بالترددات اللاسلكية و LR لمجموعة بيانات المريض الإجمالية. تم تسجيل أداء تنبؤي أعلى في المجموعة الفرعية من المرضى الذين تم قبولهم يعانون من اضطرابات في الجهاز التنفسي مع المساحة تحت المنحنى 0.75 (± 0.02) و AP 0.65 (± 0.03). أدى إدراج وظيفة الأعضاء الأخرى إلى تحسين الأداء إلى AUC 0.79 (± 0.01) و AP 0.68 (± 0.02) لمجموعة بيانات المريض الإجمالية و AUC 0.79 (± 0.01) و AP 0.72 (± 0.02) للمجموعة الفرعية التي تعاني من اضطرابات في الجهاز التنفسي. استنتاج أظهر النموذج القائم على RNN أداءً أفضل من RF و LR في المرضى في التهوية الميكانيكية ومجموعته الفرعية التي تم قبولها مع اضطرابات الجهاز التنفسي. هناك حاجة إلى دراسات سريرية لتقييم ما إذا كانت تؤثر على عملية صنع القرار ونتائج المرضى. التسجيل التجريبي: NCT02731898 ( https://clinicaltrials.gov/ct2/show/NCT02731898 )، تم تسجيله لاحقًا في 8 أبريل 2016.

Translated Description (French)

Résumé Contexte La ventilation mécanique (VM) est un processus de traitement complexe et central dans la prise en charge des patients gravement malades. Il influence l'équilibre acido-basique et peut également causer des biotraumatismes pertinents sur le plan pronostique en générant des forces et en libérant des espèces réactives de l'oxygène, ce qui affecte négativement les résultats. Dans ce travail, nous évaluons l'utilisation d'un modèle de réseau neuronal récurrent (RNN) pour prédire les résultats des patients ventilés mécaniquement, en utilisant des paramètres de ventilation mécanique standard. Méthodes Nous avons effectué notre analyse sur l'ensemble de données VENTILA, une étude observationnelle, prospective, internationale et multicentrique, réalisée pour étudier l'effet des caractéristiques de base et des changements de prise en charge au fil du temps sur le taux de mortalité toutes causes confondues chez les patients ventilés mécaniquement en unité de soins intensifs. Notre cohorte comprend 12 596 patients adultes âgés de plus de 18 ans, associés à 12 755 admissions distinctes dans des unités de soins intensifs dans 37 pays et recevant une ventilation mécanique invasive et non invasive. Nous effectuons quatre analyses différentes. Dans un premier temps, nous sélectionnons des paramètres de ventilation mécanique typiques et évaluons le modèle d'apprentissage automatique sur la cohorte globale et un sous-groupe de patients admis avec des troubles respiratoires. En outre, nous effectuons une analyse de sensibilité pour évaluer si l'inclusion de variables liées à la fonction d'autres organes améliore la performance prédictive du modèle pour la cohorte globale ainsi que pour le sous-groupe de patients atteints de troubles respiratoires. Résultats Les performances prédictives du modèle basé sur RNN étaient plus élevées avec une aire sous la courbe des caractéristiques de fonctionnement du récepteur (roc) (ASC) de 0,72 (± 0,01) et une précision moyenne (PA) de 0,57 (± 0,01) par rapport aux RF et LR pour l'ensemble des données du patient. Une performance prédictive plus élevée a été enregistrée dans le sous-groupe de patients admis avec des troubles respiratoires avec une ASC de 0,75 (± 0,02) et une PA de 0,65 (± 0,03). L'inclusion de la fonction d'autres organes a encore amélioré la performance à l'ASC de 0,79 (± 0,01) et au PA de 0,68 (± 0,02) pour l'ensemble des données sur les patients et à l'ASC de 0,79 (± 0,01) et au PA de 0,72 (± 0,02) pour le sous-groupe présentant des troubles respiratoires. Conclusion Le modèle basé sur RNN a démontré de meilleures performances que RF et LR chez les patients en ventilation mécanique et son sous-groupe admis avec des troubles respiratoires. Des études cliniques sont nécessaires pour évaluer si cela a un impact sur la prise de décision et les résultats pour les patients. Enregistrement de l'essai : NCT02731898 (https://clinicaltrials.gov/ct2/show/NCT02731898), enregistré prospectivement le 8 avril 2016.

Translated Description (Spanish)

Resumen Antecedentes La ventilación mecánica (VM) es un proceso de tratamiento complejo y central en la atención de pacientes críticos. Influye en el equilibrio ácido-base y también puede causar biotraumas relevantes para el pronóstico al generar fuerzas y liberar especies reactivas de oxígeno, lo que afecta negativamente los resultados. En este trabajo evaluamos el uso de un modelo de Red Neuronal Recurrente (RNN) para predecir los resultados de pacientes con ventilación mecánica, utilizando parámetros estándar de ventilación mecánica. Métodos Realizamos nuestro análisis en el conjunto de datos de VENTILA, un estudio observacional, prospectivo, internacional y multicéntrico, realizado para investigar el efecto de las características basales y los cambios de manejo a lo largo del tiempo en la tasa de mortalidad por todas las causas en pacientes con ventilación mecánica en la UCI. Nuestra cohorte incluye 12,596 pacientes adultos mayores de 18 años, asociados con 12,755 admisiones distintas en UCI en 37 países y que reciben ventilación mecánica invasiva y no invasiva. Realizamos cuatro análisis diferentes. Inicialmente seleccionamos los parámetros típicos de ventilación mecánica y evaluamos el modelo de aprendizaje automático tanto en la cohorte general como en un subgrupo de pacientes ingresados con trastornos respiratorios. Además, llevamos a cabo un análisis de sensibilidad para evaluar si la inclusión de variables relacionadas con la función de otros órganos mejora el rendimiento predictivo del modelo tanto para la cohorte general como para el subgrupo de pacientes con trastornos respiratorios. Resultados El rendimiento predictivo del modelo basado en RNN fue mayor con un área bajo la curva de características operativas (Roc) del receptor (AUC) de 0.72 (± 0.01) y una precisión promedio (AP) de 0.57 (± 0.01) en comparación con RF y LR para el conjunto general de datos del paciente. Se registró un mayor rendimiento predictivo en el subgrupo de pacientes ingresados con trastornos respiratorios con AUC de 0,75 (± 0,02) y AP de 0,65 (± 0,03). La inclusión de la función de otros órganos mejoró aún más el rendimiento hasta un AUC de 0,79 (± 0,01) y un AP de 0,68 (± 0,02) para el conjunto de datos general de pacientes y un AUC de 0,79 (± 0,01) y un AP de 0,72 (± 0,02) para el subgrupo con trastornos respiratorios. Conclusión El modelo basado en RNN demostró un mejor rendimiento que RF y LR en pacientes con ventilación mecánica y su subgrupo admitido con trastornos respiratorios. Se necesitan estudios clínicos para evaluar si afecta la toma de decisiones y los resultados de los pacientes. Registro del ensayo: NCT02731898 ( https://clinicaltrials.gov/ct2/show/NCT02731898 ), registrado prospectivamente el 8 de abril de 2016.

Files

s12911-021-01506-w.pdf

Files (1.7 MB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:48ce11ac1977bad6c2d8e8892cf41ac4
1.7 MB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
يتنبأ التعلم الآلي بالوفيات بناءً على تحليل معايير التهوية للمرضى المصابين بأمراض خطيرة: التحقق من صحة المراكز المتعددة
Translated title (French)
L'apprentissage automatique prédit la mortalité sur la base de l'analyse des paramètres de ventilation des patients gravement malades : validation multicentrique
Translated title (Spanish)
El aprendizaje automático predice la mortalidad en función del análisis de los parámetros de ventilación de los pacientes críticos: validación multicéntrica

Identifiers

Other
https://openalex.org/W3159184823
DOI
10.1186/s12911-021-01506-w

Is supplement to
https://openalex.org/W4390065326 (Other)
https://openalex.org/W4385649027 (Other)
https://openalex.org/W4303685026 (Other)
https://openalex.org/W2970784617 (Other)
https://openalex.org/W2761860407 (Other)
https://openalex.org/W2753772539 (Other)
https://openalex.org/W2404099257 (Other)
https://openalex.org/W2217963778 (Other)
https://openalex.org/W2129882004 (Other)
https://openalex.org/W2126639667 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Tunisia

References

  • https://openalex.org/W111774198
  • https://openalex.org/W1476289819
  • https://openalex.org/W1803784511
  • https://openalex.org/W1808382749
  • https://openalex.org/W1970820676
  • https://openalex.org/W1990858588
  • https://openalex.org/W2064675550
  • https://openalex.org/W2076009933
  • https://openalex.org/W2105999224
  • https://openalex.org/W2109553965
  • https://openalex.org/W2140066904
  • https://openalex.org/W2154929212
  • https://openalex.org/W2162001089
  • https://openalex.org/W2620241325
  • https://openalex.org/W2641342067
  • https://openalex.org/W2767744531
  • https://openalex.org/W2797010621
  • https://openalex.org/W2805950212
  • https://openalex.org/W2900627007
  • https://openalex.org/W2901634660
  • https://openalex.org/W2912392407
  • https://openalex.org/W2914405142
  • https://openalex.org/W2927351257
  • https://openalex.org/W2969097171
  • https://openalex.org/W2991362642
  • https://openalex.org/W2996603502
  • https://openalex.org/W2999309192
  • https://openalex.org/W3005172892
  • https://openalex.org/W3012390930
  • https://openalex.org/W3024367513
  • https://openalex.org/W3036946904
  • https://openalex.org/W3038139858
  • https://openalex.org/W3081090156
  • https://openalex.org/W3094217567
  • https://openalex.org/W3109926404
  • https://openalex.org/W4292229870