Research Article

Ontwikkeling en externe validatie van een webgebaseerde applicatie voor de voorspelling van longontsteking-geassocieerde ARDS

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

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

Deze studie heeft als doel een webgebaseerd systeem te ontwikkelen en extern te valideren dat machine learning-modellen integreert voor vroege diagnose en klinische fenotypering van longontsteking-geassocieerde ARDS, om precisiebehandeling te vergemakkelijken.

Abstract

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

Acuut respiratoire distress syndroom (ARDS) is een zeer heterogene ziekte met klinische manifestaties die kunnen overlappen met ernstige longontsteking, wat een uitdaging vormt voor nauwkeurige differentiatie. Daarom is vroege voorspelling en bedzijde-snelle subtypeclustering van ARDS-patiënten dringend nodig. Deze studie heeft als doel een webgebaseerd systeem te ontwikkelen, dat gevalideerde modellen bevat van vroege diagnose aan het bed en klinische subgroepclassificatie, om de ontwikkeling en fenotypes van longontsteking-geassocieerde ARDS te voorspellen. Diagnostische en subgroepmodellen werden ontwikkeld en gevalideerd uit de twee grote databases, Medical Information Mart for Intensive Care IV (mimic-iv) en Telehealth Intensive Care Unit (eICU), en werden opgenomen in een webgebaseerd voorspellingssysteem. Gegevens van patiënten met longontsteking die tussen 2008 en 2019 meer dan 24 uur in het ziekenhuis waren opgenomen, werden geanalyseerd. De MIMIC-IV derivatiecohort omvatte 24.987 patiënten met longontsteking (14.121 met longontstekingsgeassocieerde ARDS); de verificatiecohort van de eICU omvatte 20.676 patiënten met longontsteking (9.946 met longontstekingsgeassocieerde ARDS). Bij diagnose presteerde de stapelmethode van machine learning het beste met een AUC van 0,919, een nauwkeurigheid van 70,00%, een precisie van 69,88% en een terugroeping van 82,27% in de MIMIC-IV afleidingscohort. De AUC, nauwkeurigheid, precisie en recall van de eICU-validatiecohort waren respectievelijk 0,915, 70,87%, 69,70% en 69,70%. Longontsteking-geassocieerde ARDS werd ingedeeld in drie klinische fenotypes met verschillende klinische kenmerken en uitkomsten, die allemaal verschillend reageerden op behandeling. Onder patiënten in cluster 0 en 1 waren de sterftecijfers in het ziekenhuis hoger bij degenen die vroegtijdig met corticosteroïden werden behandeld dan bij degenen die dat niet kregen, terwijl bij patiënten in cluster 2 het sterftecijfer lager was bij degenen die corticosteroïden kregen dan bij degenen die dat niet kregen. We voerden een webtransformatie uit van de diagnosevoorspelling en klinische subgroepclassificatie van pneumonie-geassocieerde ARDS. Onze webgebaseerde modellen van vroege diagnose aan bed en klinische subgroepclassificatie van longontstekingsgeassocieerde ARDS kunnen clinici helpen bij het diagnosticeren en behandelen van de ziekte en bij het bevorderen van individuele precisiebehandeling.

Introduction

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

Acuut ademhalingsfalen, vooral acuut respiratoire noodsyndroom (ARDS) na een longinfectie, is een veelvoorkomend, verwoestend probleem dat voorkomt bij ernstig zieke patiënten. Uit studies blijkt dat de incidentie van ARDS wel 10% is onder patiënten op de intensive care (ICU)1, en het sterftecijfer is ongeveer 40%. Ernstige longontsteking wordt algemeen beschouwd als de belangrijkste oorzaak van ARDS4. Omdat de klinische symptomen van ernstige longontsteking en ARDS vergelijkbaar zijn, is het vaak moeilijk om ARDS te onderscheiden van ernstige longontsteking. Daarom kan vroege voorspelling van de ontwikkeling van ARDS bij longontsteking de incidentie van ARDS en desterftecijfers verminderen. Bovendien, omdat ARDS een zeer heterogene ziekte6 is, kan vroege en correcte subgroepclassificatie van ARDS precisiegeneeskunde mogelijk maken. Dergelijke classificatie is ook een van de belangrijkste richtingen van onderzoek naar respiratorische kritieke ziekten wereldwijd.7 is het doel om de effectiviteit van gerichte subgroepinterventie te verbeteren.

Op dit moment zijn de onafhankelijke risicofactoren voor ARDSuitgebreid bestudeerd, maar weinig hebben zich gericht op de voorspelling van ARDS bij patiënten met longontsteking. Bovendien zijn er geen studies uitgevoerd naar specifieke klinische fenotypen van pneumonie-geassocieerde ARDS; de meeste fenotypestudies hebben zich gericht op de gehele populatie patiënten met ARDS. Calfee et al.9 classificeerden ARDS in hyperinflammatoire en hypo-inflammatoire fenotypes. Om deze biologische fenotypen te definiëren, moeten plasma-biomarkers worden gebruikt als categorisch bepalende variabelen, maar zo'n onderzoek is niet gemakkelijk beschikbaar aan het bed. In één studie werden gemakkelijk beschikbare klinische indicatoren gebruikt om ARDS te classificeren in drie klinische fenotypen, waarvan de responsen op gerandomiseerde interventies ook werden beoordeeld, maar de studie was gebaseerd op de gehele populatie patiënten met ARDS10. Het definiëren van de klinische fenotypes van ARDS op basis van verschillende oorzaken, zoals longontsteking, kan verfijndere en nauwkeurigere resultaten opleveren.

De doelen van deze studie waren om machine learning te gebruiken om een voorspellend model van longontstekingsgeassocieerde ARDS te construeren met vroege klinische gegevens; het gebruik van vroege en gemakkelijk beschikbare klinische gegevens om pneumonie-geassocieerde ARDS te classificeren in klinische fenotypes en om verschillen in hun klinische kenmerken, uitkomsten en behandelingsresponsen te onderzoeken; en het implementeren van het voorspellingsmodel en classificatiemodel als een webgebaseerde applicatie die clinici zou ondersteunen bij de diagnose en behandeling van longontsteking-geassocieerde ARDS en verder onderzoek zou bevorderen.

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

Protocol

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

Deze studie betrok de Medical Information Mart for Intensive Care IV (Mimic-IV) Database11 (Versie 1.0, PhysioNet: https://physionet.org/content/mimiciv/1.0/) en Telehealth Intensive Care Unit (eICU) Database12 (Versie 2.0, PhysioNet: https://physionet.org/content/eicu-crd/2.0/) na het afronden van het Protecting Human Research Participants-examen (Record ID: 44151052). Deze studie werd uitgevoerd in overeenstemming met de principes van de Verklaring van Helsinki (2013), en patiënten hadden toestemming gegeven om hun gegevens in de twee databases vast te leggen. Ethische goedkeuring werd voor deze studie opgegeven omdat de gegevens in de eICU- en MIMIC-IV-databases volledig geanonimiseerd waren (geen persoonlijke identificaties behouden).

Materialen en gereedschappen
Gegevensbronnen: MIMIC-IV Database: Versie 1.0, open-access register met 76.540 IC-opnames (2008-2019), toegankelijk via PhysioNet. eICU-database: Versie 2.0, multicenter-database met >200.000 elektronische medische dossiers van 335 afdelingen in 208 Amerikaanse ziekenhuizen (2014-2015), toegankelijk via PhysioNet. Software & Uitvoeringsomgeving: RapidMiner Studio: Versie 9.10.001 (uitvoeringsomgeving: Windows 10 Pro 64-bit), gebruikt voor modelbouw (classificatie/clustering) en functieselectie; IBM SPSS Statistics: Versie 23.0 (uitvoeringsomgeving: Windows 10 Pro 64-bits), gebruikt voor statistische analyse en imputatie van ontbrekende waardes; Java Development Kit (JDK): Versie Java SE 8u381 (uitvoeringsomgeving: Windows 10 Pro 64-bit), gebruikt voor webapplicatieontwikkeling; ondersteunende IDE: Eclipse IDE 2023-09; Apache Tomcat: Versie 9.0.85, gebruikt voor het uitrollen van de webgebaseerde applicatie.

Studieontwerp en -omgeving
Het concept van deze studie wordt geïllustreerd in Aanvullende Figuur 1. Deze studie analyseerde gegevens uit twee grote bronnen, de Medical Information Mart for Intensive Care IV (mimic-iv) en de Telehealth Intensive Care Unit (eICU) databases, om een voorspellend model te construeren van pneumonie-geassocieerde ARDS en getroffen patiënten te classificeren op basis van klinische fenotypes. Deze studie volgde de richtlijnen van het Transparent Reporting of a Multivariable Prediction Model for Individual Prognosis or Diagnosis (TRIPOD).

Studievoorbeelden
De trainings- en testgegevens van deze studie zijn verkregen van MIMIC-IV. De bron van externe verificatie was de multicenter eICU-database. Deze studie gebruikte de International Classification of Diseases (Negende en Tiende Revisie) om gegevens te verzamelen over patiënten met longontsteking en longontstekingsgeassocieerde ARDS. Patiënten die minder dan 24 uur waren opgenomen, werden uitgesloten.

Voorspellers
Na evaluatie van de beschikbaarheid van gegevens en het aantal ontbrekende klinische variabelen in de MIMIC-IV- en eICU-datasets, werden 52 variabelen voor longontstekingsgeassocieerde ARDS geselecteerd als kandidaat-trainingsvariabelen voor gebruik in machine learning, inclusief demografische kenmerken van patiënten, laboratoriumbevindingen en scores van de ernst van de ziekte. Deze studie gebruikte een gewicht-door-correlatie-algoritme (gebaseerd op het correlatiegewicht tussen variabelen en uitkomsten) om te screenen op belangrijke voorspellers (variabelen die uiteindelijk in de modellen worden opgenomen) van de 52 kandidaatvariabelen en selecteerde vervolgens subgroepclusteringsfactoren uit de belangrijkste voorspellers.

Om dit te doen, open je RapidMiner Studio, maak je een nieuw proces aan en voeg je de operator Gewicht per Correlatie toe door te klikken op Proces > Operators > Feature Selection > Weight by Correlation. Stel de parameter in: Correlatiedrempel = 0,04 (behoud variabelen met gewicht > 0,04). Om het model te dwingen rekening te houden met vroege stadia van de ziekte en tijdigheid, werden binnen 24 uur na opname de maximale en minimale waarden van laboratoriumindicatoren verkregen. Omdat de Acute Physiology Score III (APSIII) niet was opgenomen in de eICU-database, werden in plaats daarvan scores op de Acute Physiology and Chronic Health Evaluation IV (APACHE IV) gebruikt. Deze studie zuiverde de gegevens en interpoleerde de ontbrekende waarden met behulp van de meervoudige imputatiemethode en standaardiseerde de invoervariabelen bij het ontwikkelen van voorspellings- en subfenotyperingsmodellen.

Statistische analyse
Open SPSS 23.0, importeer de vooraf bewerkte dataset en selecteer Analyseren > Beschrijvende Statistieken > Verkennen. Controleer normaliteitsgrafieken met tests om de Kolmogorov-Smirnov-test voor continue variabelen uit te voeren. Scheve verspreide variabelen worden gerapporteerd als mediaan (interkwartielbereik, IQR); categorische variabelen worden gerapporteerd als aantal (percentage, %). Om continue variabelen tussen groepen te vergelijken, werd de Mann-Whitney U-test of de Kruskal-Wallis-test gebruikt, afhankelijk van toepassing. Om categorische variabelen tussen groepen te vergelijken, werd de chi-kwadraattoets van Pearson of de exacte test van Fisher gebruikt, afhankelijk van toepassing.

Modelontwikkeling en webpresentatie
Voor modelontwikkeling verdeelde deze studie de MIMIC-IV afleidingscohort in een trainingsset (90% van de volledige steekproef willekeurig gekozen voor modelontwikkeling en hyperparameterafstemming) en een testset (10% van de volledige steekproef willekeurig gekozen voor intern testen); deze studie voerde externe verificatie uit op de eICU. Deze studie implementeerde machine learning met vijf methoden: beslissingsboom, logistische regressie, naïeve bayes, stapeling (basisleraren waren de logistische regressie, naïeve bayes en random forest-methoden; de stacking learner was de decision tree-methode), en random forest. Beslissingsboom: klik op Proces > Operatoren > Modellering > Classificatie > Beslissingsboom met Algoritme = C4.5, Minimale bladgrootte = 5. Voor logistische regressie: klik op Proces > Operators > Modellering > Classificatie > Logistische Regressie met Regularisatiesterkte = 0,1, Maximale iteraties = 100. Voor Naïeve Bayes: klik op Proces > Operatoren > Modellering > Classificatie > Naïve Bayes met Kerneltype = Gaussiaans. Voor Willekeurig bos: klik op Proces > Operatoren > Modellering > Classificatie > Willekeurig Bos met Aantal bomen = 100, Maximale diepte = 20. Voor stapeling: klik op Proces > operatoren > modellering > ensemble > stapelen met basisleraars = logistische regressie + naïeve bayes + willekeurig bos; Stacking learner = Decision Tree. Deze studie mat de voorspellingsprestaties van het ontwikkelde model door het oppervlak onder de receiver operating characteristic curve (AUC), nauwkeurigheid, precisie en recall te berekenen.

Bij het opstellen van de classificatie van pneumonie-geassocieerde ARDS-klinische subgroepen gebruikte deze studie k-means clustering met belangrijke voorspellers. Om het optimale aantal cluster k te bepalen, werd de waarde van de Gap-statistieken in de Gap-statistiekgrafiek onderzocht, wat het optimale aantal clusters suggereerde. Deze studie analyseerde de klinische kenmerken en uitkomsten van verschillende fenotypen, en we vergeleken de verschillen in sterftecijfers in het ziekenhuis tussen patiënten met verschillende clusters die wel of niet vroege lage tot middelhoge dosis corticosteroïden ontvingen.

Selecteer in RapidMiner Studio Bestand > Exportmodel en sla de diagnosevoorspellings- en subgroepclassificatiemodellen op als .model-bestanden. Gebruik JDK Java SE 8u381 en Eclipse IDE 2023-09 om webpagina's in de Java-taal te schrijven; Importeer de .model-bestanden in het project. Deze studie gebruikte de Java-taal om een webpagina te ontwikkelen waarop het diagnostisch model en het klinische subgroepclusteringsmodel werden ingebed, en we hebben het model online geüpload.

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

Results

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

Deelnemers
De MIMIC-IV-database bevatte gegevens van 24.987 patiënten met longontsteking, van wie 14.121 longontstekingsgeassocieerde ARDS hadden (Tabel 1). De eICU-database bevatte gegevens van 20.676 patiënten met longontsteking, van wie 9946 longontstekingsgeassocieerde ARDS hadden (Aanvullende Tabel 1).

Vaststelling en verificatie van het longontstekingsgeassocieerde ARDS-voorspellingsmodel
We gebruikten de gegevens ...

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

Discussion

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

Zoals we weten, is dit het eerste diagnostische model en klinisch subgroepclassificatiemodel dat machine learning gebruikt om ARDS bij longontstekingspatiënten te rapporteren, en de grootste studie die de diagnose en klinische subgroepclassificatie van longontstekingsgeassocieerde ARDS rapporteert. In deze studie hebben we twee machine learning-modellen afgeleid en gevalideerd en vertaald naar webgebaseerde toepassingen voor klinische praktijk en daaropvolgend onderzoek. In de eICU-valid...

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

Disclosures

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

De auteurs verklaren dat zij geen concurrerende belangen hebben.

Acknowledgements

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

Geen enkele

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Apache TomcatApache software foundationVersie 9.0.85
Eclipse IDE Eclipse2023-09
Java Development Kit JavaVersie Java SE 8u381 
RapidMiner StudioAltair Engineering Inc.Versie 9.10.001 
SPSS StatisticsIBMVersie 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