Research Article

Sviluppo e Validazione Esterna di un'applicazione web per la previsione dell'ARDS associato alla polmonite

DOI:

10.3791/69738

⸱

January 6th, 2026

 ,  , 
1Department of Pulmonary and Critical Care Medicine, Beijing Anzhen Hospital of Capital Medical University, 2Beijing Institute of Heart, Lung and Blood Vessel Diseases

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Questo studio mira a sviluppare e convalidare esternamente un sistema basato sul web che integra modelli di machine learning per la diagnosi precoce e la fenotipizzazione clinica dell'ARDS associato alla polmonite, al fine di facilitare un trattamento di precisione.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La sindrome da distress respiratorio acuto (ARDS) è una malattia altamente eterogenea con manifestazioni cliniche che possono sovrapporsi a una polmonite grave, ponendo difficoltà per una differenziazione accurata. Pertanto, è urgentemente necessaria una previsione precoce e un rapido raggruppamento dei sottotipi al paziente con ARDS al paziente. Questo studio mira a sviluppare un sistema web, che includa modelli validati di diagnosi precoce al letto del paziente e classificazione dei sottogruppi clinici, per prevedere lo sviluppo e i fenotipi dell'ARDS associato alla polmonite. Modelli diagnostici e di sottogruppi sono stati sviluppati e validati a partire da due grandi database, Medical Information Mart for Intensive Care IV (MIMIC-IV) e Telehealth Intensive Care Unit (eICU), e sono stati incorporati in un sistema di previsione basato sul web. Sono stati analizzati i dati di pazienti con polmonite ricoverati per più di 24 ore tra il 2008 e il 2019. La coorte di derivazione MIMIC-IV includeva 24.987 pazienti con polmonite (14.121 con ARDS associato alla polmonite); la coorte di verifica dell'eICU includeva 20.676 pazienti con polmonite (9946 con ARDS associata alla polmonite). Nella diagnosi, il metodo di stacking del machine learning ha ottenuto i risultati migliori con un AUC di 0,919, una precisione del 70,00%, una precisione del 69,88% e un richiamo dell'82,27% nella coorte di derivazione MIMIC-IV. L'AUC, l'accuratezza, la precisione e il richiamo della coorte di validazione dell'eICU sono stati rispettivamente 0,915, 70,87%, 69,70% e 69,70%. L'ARDS associato alla polmonite è stato classificato in tre fenotipi clinici con caratteristiche cliniche e risultati differenti, ognuno dei quali ha risposto in modo differente al trattamento. Tra i pazienti nei cluster 0 e 1, i tassi di mortalità in ospedale erano più alti tra coloro che ricevevano un trattamento precoce con corticosteroidi rispetto a quelli che non ne ricevevano, mentre tra i pazienti del cluster 2, il tasso di mortalità ospedaliera era più basso tra coloro che ricevevano corticosteroidi rispetto a quelli che non li ricevevano. Abbiamo effettuato una trasformazione web della previsione della diagnosi e della classificazione dei sottogruppi clinici dell'ARDS associato alla polmonite. I nostri modelli web di diagnosi precoce al letto del paziente e di classificazione clinica dei sottogruppi dell'ARDS associato alla polmonite possono aiutare i clinici a diagnosticare e trattare la malattia e a promuovere trattamenti di precisione individualizzati.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

L'insufficienza respiratoria acuta, in particolare la sindrome da disabilità respiratoria acuta (ARDS) dopo un'infezione polmonare, è un problema comune e devastante che si riscontra nei pazienti gravemente malati. Studi hanno dimostrato che l'incidenza di ARDS raggiunge fino al 10% tra i pazienti in terapia intensiva (ICU)1, e il tasso di mortalità è di circa il 40%. La polmonite grave è ampiamente considerata la principale causa dellaSDRA 4. Poiché i sintomi clinici della polmonite grave e della SDRA sono simili, spesso è difficile distinguere l'ARDS da una polmonite grave. Pertanto, una previsione precoce dello sviluppo dell'ARDS nei casi di polmonite può ridurre l'incidenza di ARDS e i tassi dimortalità 5. Inoltre, poiché l'ARDS è una malattiaaltamente eterogenea 6, una classificazione precoce e corretta di sottogruppi dell'ARDS può consentire la medicina di precisione. Questa classificazione è anche una delle principali direzioni di ricerca sulle malattie respiratorie critiche in tutto ilmondo. 7, l'obiettivo è migliorare l'efficacia dell'intervento di sottogruppo mirato.

Attualmente, i fattori di rischio indipendenti per la SDRA sono stati studiatiampiamente 8, ma pochi si sono concentrati sulla previsione della SDRA nei pazienti con polmonite. Inoltre, non sono stati condotti studi su fenotipi clinici specifici dell'ARDS associato alla polmonite; la maggior parte degli studi sui fenotipi si è concentrata sull'intera popolazione di pazienti con ARDS. Calfee et al.9 hanno classificato l'ARDS in fenotipi iperinfiammatori e ipoinfiammatori. Per definire questi fenotipi biologici, i biomarcatori plasmamici devono essere utilizzati come variabili categoricamente definitorie, ma tale indagine non è facilmente disponibile al letto del paziente. In uno studio, sono stati utilizzati indicatori clinici facilmente disponibili per classificare l'ARDS in tre fenotipi clinici, le cui risposte agli interventi randomizzati sono state valutate, ma lo studio si è basato sull'intera popolazione di pazienti con ARDS10. Definire i fenotipi clinici dell'ARDS in base a diverse cause, come la polmonite, può produrre risultati più raffinati e accurati.

Gli obiettivi di questo studio erano utilizzare il machine learning per costruire un modello predittivo dell'ARDS associato alla polmonite con dati clinici iniziali; utilizzare dati clinici precoci e facilmente reperibili per classificare l'ARDS associato alla polmonite in fenotipi clinici ed esplorare le differenze nelle loro caratteristiche cliniche, esiti e risposte terapeutiche; e implementare il modello di previsione e il modello di classificazione come applicazione web che possa aiutare i clinici nella diagnosi e nel trattamento dell'ARDS associato alla polmonite e promuovere ulteriori ricerche.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Questo studio ha avuto accesso al Medical Information Mart for Intensive Care IV (MIMIC-IV) Database11 (Versione 1.0, PhysioNet: https://physionet.org/content/mimiciv/1.0/) e al Database12 dell'Unità di Terapia Intensiva di Telemedicina (eICU) (Versione 2.0, PhysioNet: https://physionet.org/content/eicu-crd/2.0/) dopo aver completato l'esame Protecting Human Research Participants (ID Registrazione: 44151052). Questo studio è stato condotto in conformità con i principi della Dichiarazione di Helsinki (2013), e i pazienti avevano dato il consenso affinché i loro dati venissero raccolti nei due database. L'approvazione etica è stata revocata per questo studio perché i dati nei database dell'eICU e MIMIC-IV erano completamente anonimizzati (nessun identificatore personale conservato).

Materiali e strumenti
Fonti dati: MIMIC-IV Database: Versione 1.0, registro open-access a centro unico contenente 76.540 ricoveri in terapia intensiva (2008-2019), accessibile tramite PhysioNet. Database eICU: Versione 2.0, database multicentro contenente >200.000 cartelle cliniche elettroniche provenienti da 335 unità in 208 ospedali statunitensi (2014-2015), accessibile tramite PhysioNet. Software e Ambiente di Esecuzione: RapidMiner Studio: Versione 9.10.001 (ambiente di esecuzione: Windows 10 Pro 64-bit), utilizzato per la costruzione di modelli (classificazione/clustering) e la selezione delle funzionalità; IBM SPSS Statistics: Versione 23.0 (ambiente di esecuzione: Windows 10 Pro 64-bit), utilizzato per analisi statistiche e imputazione di valori mancanti; Java Development Kit (JDK): Versione Java SE 8u381 (ambiente di esecuzione: Windows 10 Pro 64-bit), utilizzata per lo sviluppo di applicazioni Web; supporto IDE: Eclipse IDE 2023-09; Apache Tomcat: Versione 9.0.85, utilizzata per la distribuzione dell'applicazione web.

Progettazione dello studio e ambientazioni
Il concetto di questo studio è illustrato nella Figura Supplementare 1. Questo studio ha analizzato dati provenienti da due grandi fonti, il Medical Information Mart for Intensive Care IV (MIMIC-IV) e il database della Telehealth Intensive Care Unit (eICU), per costruire un modello predittivo dell'ARDS associato alla polmonite e classificare i pazienti colpiti in base ai fenotipi clinici. Questo studio ha seguito le linee guida del Transparent Reporting of a Multivariable Prediction Model for Individual Prognosis or Diagnosis (TRIPOD).

Campioni di studio
I dati di addestramento e test di questo studio sono stati ottenuti da MIMIC-IV. La fonte della verifica esterna era il database multicentro eICU. Questo studio ha utilizzato la Classificazione Internazionale delle Malattie (Nona e Decima Revisione) per estrarre dati sui pazienti con polmonite e ARDS associato alla polmonite. I pazienti ricoverati per meno di 24 ore sono stati esclusi.

Predittori
Dopo aver valutato la disponibilità dei dati e il tasso di variabili cliniche mancanti nei dataset MIMIC-IV ed eICU, sono state selezionate 52 variabili per l'ARDS associato alla polmonite come variabili di addestramento candidate da utilizzare nel machine learning, incluse le caratteristiche demografiche dei pazienti, i risultati di laboratorio e i punteggi di gravità della malattia. Questo studio ha utilizzato un algoritmo ponderazione per correlazione (basato sul peso di correlazione tra variabili ed esiti) per selezionare i principali predittori (variabili che vengono poi incluse nei modelli) delle 52 variabili candidate e poi selezionato i fattori di raggruppamento dei sottogruppi dai principali predittori.

Per farlo, apri RapidMiner Studio, crea un nuovo processo e aggiungi l'operatore Weight by Correlation cliccando su Process > Operators > Feature Selection > Weight by Correlation. Imposta il parametro: soglia di correlazione = 0,04 (conservare variabili con peso > 0,04). Per costringere il modello a tenere conto delle fasi iniziali della malattia e della tempestività, sono stati ottenuti i valori massimi e minimi degli indicatori di laboratorio entro 24 ore dall'ammissione. Poiché il Punteggio di Fisiologia Acuta III (APSIII) non era incluso nel database dell'eICU, sono stati utilizzati invece i punteggi dell'Acuta Fisiologia e della Valutazione della Salute Cronica IV (APACHE IV). Questo studio ha pulito i dati e interpolato i valori mancanti utilizzando il metodo di imputazione multipla e ha standardizzato le variabili di input nello sviluppo di modelli di previsione e sotto-fenotipizzazione.

Analisi statistica
Apri SPSS 23.0, importa il dataset preelaborato e seleziona Analizza > Statistiche Descrittive > Esplora. Controlla i grafici di normalità con i test per eseguire il test di Kolmogorov-Smirnov per variabili continue. Le variabili distribuite asimiche sono riportate come mediana (intervallo interquartile, IQR); Le variabili categoriche sono riportate come conteggio (percentuale, %). Per confrontare le variabili continue tra gruppi, si utilizzava il test U di Mann-Whitney o il test di Kruskal-Wallis, a seconda dei conti. Per confrontare le variabili categoriche tra gruppi, si utilizzò il test chi-quadrato di Pearson o il test esatto di Fisher, secondo i criteri.

Sviluppo di modelli e presentazione web
Per lo sviluppo del modello, questo studio ha suddiviso la coorte di derivazione MIMIC-IV in un set di addestramento (il 90% del campione completo scelto casualmente per lo sviluppo del modello e la sintonizzazione degli iperparametri) e un set di test (il 10% del campione completo scelto casualmente per test interni); questo studio ha effettuato la verifica esterna nell'eICU. Questo studio ha implementato il machine learning con cinque metodi: albero decisionale, regressione logistica, naïve bayes, stacking (i base learners erano la regressione logistica, naïve bayes e i metodi della foresta casuale; lo stacking learner era il metodo dell'albero decisionale) e random forest. Albero decisionale: clicca su Process > Operators > Modellazione > Classificazione > Albero Decisionale con Algoritmo = C4.5, Dimensione minima della foglia = 5. Per la regressione logistica: clicca su Process > Operators > Modellazione > Classificazione > Regressione Logistica con forza di regolarizzazione = 0,1, Iterazioni massime = 100. Per i Naive Bayes: clicca su Process > Operators > Modellazione > Classificazione > Naive Bayes con tipo Kernel = Gaussian. Per la foresta casuale: clicca su Operatori > Processo > Modellazione > Classificazione > Foresta Casuale con Numero di alberi = 100, Profondità massima = 20. Per lo stacking: clicca su Process > Operators > Modeling > Ensemble > Stacking with Base learners = Logistic Regression + Naive Bayes + Random Forest; Stacking learner = Albero decisionale. Questo studio ha misurato le prestazioni di previsione del modello sviluppato calcolando l'area sotto la curva caratteristica operativa del ricevitore (AUC), precisione, precisione e richiamo.

Nel costruire la classificazione dei sottogruppi clinici ARDS associati alla polmonite, questo studio ha utilizzato il clustering k-means con i principali predittori. Per determinare il numero ottimale di cluster k, è stato esaminato il valore delle statistiche Gap nel grafico delle statistiche Gap che suggeriva il numero ottimale di cluster. Questo studio ha analizzato le caratteristiche cliniche e gli esiti di diversi fenotipi, confrontando le differenze nei tassi di mortalità ospedaliera tra pazienti con cluster diversi che hanno ricevuto e non hanno ricevuto un trattamento precoce a dosaggio basso o medio con corticosteroidi.

In RapidMiner Studio, seleziona File > Export Model e salva i modelli di previsione della diagnosi e la classificazione dei sottogruppi come file .model. Usa JDK Java SE 8u381 ed Eclipse IDE 2023-09 per scrivere pagine Web in linguaggio Java; Importa i file .model nel progetto. Questo studio ha utilizzato il linguaggio Java per sviluppare una pagina web in cui il modello diagnostico e il modello di clustering dei sottogruppi clinici sono stati incorporati, e abbiamo caricato il modello online.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Partecipanti
Il database MIMIC-IV includeva dati di 24.987 pazienti con polmonite, di cui 14.121 avevano ARDS associato alla polmonite (Tabella 1). Il database dell'eICU includeva dati di 20.676 pazienti con polmonite, di cui 9946 avevano ARDS associata alla polmonite (Tabella Supplementare 1).

Istituzione e verifica del modello di previsione ARDS associato alla polmonite
Abbiamo utilizzato i dati della coorte MIMIC-IV p...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Come sappiamo, questo è il primo modello diagnostico e il primo modello di classificazione dei sottogruppi clinici che utilizza il machine learning per riportare l'ARDS nei pazienti con polmonite, e il più grande studio a riportare la diagnosi e la classificazione clinica dei sottogruppi dell'ARDS associato alla polmonite. In questo studio, abbiamo derivato e validato due modelli basati su machine learning e li abbiamo tradusi in applicazioni web per la pratica clinica e la ricerca succe...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Gli autori dichiarano di non avere interessi in competizione.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Apache TomcatBase software ApacheVersione 9.0.85
Eclipse IDE Eclissi2023-09
Java Development Kit & nbsp;GiavaVersione Java SE 8u381 
RapidMiner StudioAltair Engineering Inc.Versione 9.10.001 
Statistiche SPSSIBMVersione 23.0 

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Brun-Buisson, C., et al. Epidemiology and outcome of acute lung injury in European intensive care units. Results from the ALIVE study. Intens Care Med. 30 (1), 51-61 (2004).
  2. Bellani, G., et al. Epidemiology, Patterns of Care, and Mortality for Patients With Acute Respiratory Distress Syndrome in Intensive Care Units in 50 Countries. JAMA. 315 (8), 788-800 (2016).
  3. Huang, X., et al. CHARDSnet group.Incidence and outcomes of acute respiratory distress syndrome in intensive care units of mainland China: a multicentre prospective longitudinal study. Crit Care. 24 (1), 515(2020).
  4. Rubenfeld, G. D., et al. Incidence and outcomes of acute lung injury. New Engl J Med. 353 (16), 1685-1693 (2005).
  5. Zhou, Y., et al. Development and validation of a deep learning-based framework for automated lung CT segmentation and acute respiratory distress syndrome prediction: a multicenter cohort study. Eclin Med. 75, 102772(2024).
  6. Thompson, B. T., Chambers, R. C., Liu, K. D. Acute Respiratory Distress Syndrome. N Engl J Med. 377 (6), 562-572 (2017).
  7. Antcliffe, D. B., et al. Patient stratification using plasma cytokines and their regulators in sepsis: relationship to outcomes, treatment effect and leucocyte transcriptomic subphenotypes. Thorax. 79 (6), 515-523 (2024).
  8. Pham, T., Rubenfeld, G. D. Fifty years of research in ARDS. The epidemiology of acute respiratory distress syndrome. A 50th birthday review. Am J Respir Crit Care Med. 195 (7), 860-870 (2017).
  9. Calfee, C. S., et al. Subphenotypes in acute respiratory distress syndrome: latent class analysis of data from two randomised controlled trials. Lancet Respir Med. 2 (8), 611-620 (2014).
  10. Liu, X., et al. Identification of distinct clinical phenotypes of acute respiratory distress syndrome with differential responses to treatment. Crit Care. 25 (1), 320(2021).
  11. Johnson, A., et al. MIMIC-IV (version 1.0). PhysioNet. , (2021).
  12. Pollard, T. J., et al. The eICU collaborative research database, a freely available multi-center database for critical care research. Sci Data. 5, 180178(2018).
  13. Al Taweraqi, N., King, R. D. Improved prediction of gene expression through integrating cell signalling models with machine learning. BMC Bioinformatics. 23 (1), 323(2022).
  14. Mo, J. P., Jia, Z. Z., Tang, Y., Yang, M., Qin, H. Establishing prediction model of community-acquired pneumonia complicated with acute respiratory distress syndrome based on artificial neural network. Zhonghua Wei Zhong Bing Ji Jiu Yi Xue. 34 (4), 367-372 (2022).
  15. Wynne, B. M., et al. Regulation of lung epithelial sodium channels by cytokines and chemokines. Front Immunol. 8, 766(2017).
  16. Comellas, A. P., et al. Insulin regulates alveolar epithelial function by inducing Na+/K+-ATPase trans-location to the plasma membrane in a process mediated by the action of Akt. J Cell Sci. 123 (pt 8), 1343-1351 (2010).
  17. ARDS Definition Task Force. Acute respiratory distress syndrome: the Berlin Definition. JAMA. 307 (23), 2526-2533 (2012).
  18. Janz, D. R., Ware, L. B. The role of red blood cells and cell-free hemoglobin in the pathogenesis of ARDS. J Intens Care. 3, 20(2015).
  19. Ruan, S. Y., et al. Exploring the heterogeneity of effects of corticosteroids on acute respiratory distress syndrome: A systematic review and meta-analysis. Crit Care. 18 (2), R63(2014).
  20. Sinha, P., et al. Latent class analysis reveals COVID-19-related acute respiratory distress syndrome subgroups with differential responses to corticosteroids. Am J Respir Crit Care Med. 204 (11), 1274-1285 (2021).
  21. Lee, K. Y. Pneumonia, Acute Respiratory Distress Syndrome, and Early Immune-Modulator Therapy. Int J Mol Sci. 18 (2), 388(2017).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Pneumonia Associated ARDSARDS PredictionWeb Based ApplicationClinical Subgroup ClassificationMachine Learning ModelsEarly Bedside DiagnosisMIMIC IV DatabaseeICU DatabaseClinical PhenotypesPrecision Treatment
Video Coming Soon

Related Articles