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

Summary

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

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

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 onderscheide....

Protocol

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....

Results

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

Discussion

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.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Apache Tomcat	Apache software foundation	Version 9.0.85
Eclipse IDE	Eclipse	2023-09
Java Development Kit	Java	Version Java SE 8u381
RapidMiner Studio	Altair Engineering Inc.	Version 9.10.001
SPSS Statistics	IBM	Version 23.0