Research Article

Opracowanie i zewnętrzna walidacja internetowej aplikacji do przewidywania ARDS związanej z zapaleniem płuc

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

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

Celem tego badania jest opracowanie i zewnętrzna weryfikacja systemu internetowego integrującego modele uczenia maszynowego do wczesnej diagnozy i klinicznego fenotypowania ARDS związanego z zapaleniem płuc, aby ułatwić precyzyjne leczenie.

Abstract

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

Zespół ostrego niedociągnięcia oddechowego (ARDS) to wysoce zróżnicowana choroba o przejawach klinicznych, które mogą pokrywać się z ciężkim zapaleniem płuc, co stanowi wyzwanie dla precyzyjnego rozróżnienia. Dlatego pilnie potrzebne są wczesne predykcje oraz szybkie grupowanie podtypów pacjentów z ARDS przy łóżku pacjentów. Celem tego badania jest opracowanie systemu internetowego, który obejmuje zweryfikowane modele wczesnej diagnostyki przy łóżku pacjenta oraz klasyfikację podgrup klinicznych, do przewidywania rozwoju i fenotypów ARDS związanego z zapaleniem płuc. Modele diagnostyczne i podgrupowe zostały opracowane i zweryfikowane na podstawie dwóch dużych baz danych: Medical Information Mart for Intensive Care IV (MIMIC-IV) oraz Telehealth Intensive Care Unit (eICU) i włączone do internetowego systemu predykcji. Dane pacjentów z zapaleniem płuc hospitalizowanych przez ponad 24 godziny w latach 2008–2019 zostały przeanalizowane. Kohorta pochodzenia MIMIC-IV obejmowała 24 987 pacjentów z zapaleniem płuc (14 121 z ARDS związanym z zapaleniem płuc); kohorta weryfikacyjna eICU obejmowała 20 676 pacjentów z zapaleniem płuc (9946 z ARDS powiązanym z zapaleniem płuc). W diagnostyce metoda stackingu uczenia maszynowego najlepiej osiągała wyniki AUC 0,919, dokładność 70,00%, precyzję 69,88% oraz przypomnienie 82,27% w kohorcie wywodzenia MIMIC-IV. AUC, dokładność, precyzja i przypomnienie kohorty walidacyjnej eICU wynosiły odpowiednio 0,915, 70,87%, 69,70% i 69,70%. ARDS związany z zapaleniem płuc został sklasyfikowany na trzy fenotypy kliniczne o różnych cechach klinicznych i wynikach, z których każdy różnie reagował na leczenie. Wśród pacjentów z klastrów 0 i 1 wskaźniki śmiertelności w szpitalach były wyższe wśród tych, którzy otrzymali wczesne leczenie kortykosteroidami niż wśród tych, którzy nie otrzymali, natomiast wśród pacjentów z klastra 2 wskaźnik śmiertelności w szpitalu był niższy wśród tych, którzy otrzymali kortykosteroidy niż u tych, którzy ich nie otrzymali. Przeprowadziliśmy transformację sieciową przewidywania diagnozy oraz klasyfikacji podgrup klinicznych ARDS związanych z zapaleniem płuc. Nasze internetowe modele wczesnej diagnozy przy łóżku pacjenta oraz klasyfikacji podgrup klinicznych ARDS związanych z zapaleniem płuc mogą wspierać klinicystów w diagnozowaniu i leczeniu choroby oraz promowaniu indywidualnego, precyzyjnego leczenia.

Introduction

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

Ostra niewydolność oddechowa, zwłaszcza zespół ostrego niedogodności układu oddechowego (ARDS) po zakażeniu płuc, jest częstym, wyniszczającym problemem u pacjentów w stanie krytycznym. Badania wykazały, że częstość występowania ARDS sięga nawet 10% wśród pacjentów na oddziale intensywnej terapii (OIOM)1, a śmiertelność wynosi około 40%2,3. Ciężkie zapalenie płuc jest powszechnie uważane za główną przyczynę ARDS4. Ponieważ objawy kliniczne ciężkiego zapalenia płuc i ARDS są podobne, często trudno jest odróżnić ARDS od ciężkiego zapalenia płuc. Dlatego wczesne przewidywanie rozwoju ARDS w przypadkach zapalenia płuc może zmniejszyć częstość występowania ARDS i wskaźniki śmiertelności5. Ponadto, ponieważ ARDS jest wysoce heterogeniczną chorobą6, wczesna i prawidłowa klasyfikacja podgrup ARDS może umożliwić medycynę precyzyjną. Taka klasyfikacja jest również jednym z głównych kierunków badań nad krytycznymi chorobami układu oddechowego na całym świecie.7, celem jest poprawa skuteczności interwencji ukierunkowanej na podgrupy.

Obecnie niezależne czynniki ryzyka ARDS zostały szeroko zbadane8, ale niewiele skupia się na przewidywaniu ARDS u pacjentów z zapaleniem płuc. Ponadto nie przeprowadzono badań dotyczących specyficznych fenotypów klinicznych ARDS związanych z zapaleniem płuc; większość badań fenotypowych koncentrowała się na całej populacji pacjentów z ARDS. Calfee i in.9 sklasyfikowali ARDS na fenotypy hiperzapalne i hipozapalne. Aby zdefiniować te fenotypy biologiczne, biomarkery osocza muszą być używane jako zmienne definiujące kategorie, jednak takie badania nie są łatwo dostępne przy łóżku pacjenta. W jednym z badań do klasyfikacji ARDS na trzy fenotypy kliniczne wykorzystano dostępne wskaźniki kliniczne, których odpowiedzi na randomizowane interwencje również oceniano, jednak badanie opierało się na całej populacji pacjentów z ARDS10. Definiowanie fenotypów klinicznych ARDS według różnych przyczyn, takich jak zapalenie płuc, może przynieść bardziej precyzyjne i dokładne wyniki.

Celem tego badania było wykorzystanie uczenia maszynowego do stworzenia modelu predykcyjnego ARDS związanego z zapaleniem płuc na podstawie wczesnych danych klinicznych; wykorzystanie wczesnych i łatwo dostępnych danych klinicznych do klasyfikacji ARDS związanej z zapaleniem płuc według fenotypów klinicznych oraz do badania różnic w ich cechach klinicznych, wynikach i odpowiedziach na leczenie; oraz wdrożenie modelu predykcyjnego i klasyfikacyjnego jako aplikacji internetowej, która wspiera klinicystów w diagnozowaniu i leczeniu ARDS związanego z zapaleniem płuc oraz wspiera dalsze badania.

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

Protocol

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

W tym badaniu uzyskano dostęp do bazy danych 11 Medical Information Mart for Intensive Care IV (MIMIC-IV)11 (wersja 1.0, PhysioNet: https://physionet.org/content/mimiciv/1.0/) oraz bazy danych Telemedical Intensive Care Unit (eICU)12 (wersja 2.0, PhysioNet: https://physionet.org/content/eicu-crd/2.0/) po zakończeniu egzaminu Protecting Human Research Participants (ID rejestru: 44151052). Badanie to zostało przeprowadzone zgodnie z zasadami Deklaracji Helsińskiej (2013), a pacjenci wyrazili zgodę na zebranie swoich danych w obu bazach danych. Etyczna zgoda została zniesiona dla tego badania, ponieważ dane w bazach eICU i MIMIC-IV były w pełni zanonimizowane (nie zachowano żadnych identyfikatorów osobistych).

Materiały i narzędzia
Źródła danych: Baza danych MIMIC-IV: Wersja 1.0, rejestr otwartego dostępu w jednym ośrodku zawierający 76 540 przyjęć na oddziały intensywnej terapii (2008-2019), dostępny przez PhysioNet. Baza danych eICU: Wersja 2.0, wieloośrodkowa baza zawierająca >200 000 elektronicznych dokumentacji medycznych z 335 jednostek w 208 szpitalach w USA (2014-2015), dostęp przez PhysioNet. Środowisko oprogramowania i wykonywania: RapidMiner Studio: Wersja 9.10.001 (środowisko wykonawcze: Windows 10 Pro 64-bit), służąca do budowy modeli (klasyfikacji/klastrowania) oraz wyboru funkcji; IBM SPSS Statistics: Wersja 23.0 (środowisko wykonawcze: Windows 10 Pro 64-bit), wykorzystywana do analizy statystycznej i imputacji wartości brakującej; Java Development Kit (JDK): Wersja Java SE 8u381 (środowisko wykonawcze: Windows 10 Pro 64-bit), używana do tworzenia aplikacji webowych; wspierające IDE: Eclipse IDE 2023-09; Apache Tomcat: Wersja 9.0.85, używana do wdrażania aplikacji webowej.

Projekt i otoczenie studia
Koncepcja tego badania została zilustrowana na Rysunku Uzupełniającym 1. Badanie to analizowało dane z dwóch dużych źródeł: baz danych Medical Information Mart for Intensive Care IV (MIMIC-IV) oraz Telehealth Intensive Care Unit (eICU), aby stworzyć model predykcyjny ARDS związanego z zapaleniem płuc i klasyfikować pacjentów dotkniętych chorobą według fenotypów klinicznych. Badanie to postępowało zgodnie z wytycznymi Transparentnego Raportowania Modelu Wielozmiennego Prognozowania Indywidualnego Rokowania lub Diagnozy (TRIPOD).

Próbki badań
Dane treningowe i testowe z tego badania pochodzą z MIMIC-IV. Źródłem zewnętrznej weryfikacji była wielocentrowa baza danych eICU. Badanie to wykorzystało Międzynarodową Klasyfikację Chorób (Dziewiąta i Dziesiąta Wersja) do wyodrębnienia danych o pacjentach z zapaleniem płuc i ARDS powiązanym z zapaleniem płuc. Pacjenci, którzy zostali przyjęci na mniej niż 24 godziny, zostali wykluczeni.

Predyktory
Po ocenie dostępności danych oraz wskaźnika brakujących zmiennych klinicznych w zbiorach danych MIMIC-IV i eICU, wybrano 52 zmienne dla ARDS związanego z zapaleniem płuc jako kandydatów do wykorzystania w uczeniu maszynowym, w tym cechy demograficzne pacjentów, wyniki laboratoryjne oraz oceny ciężkości choroby. Badanie to wykorzystało algorytm wagi po korelacji (oparty na wadze korelacji między zmiennymi a wynikami) do przesiewania kluczowych predyktorów (zmiennych, które ostatecznie są uwzględniane w modelach) spośród 52 zmiennych kandydatów, a następnie wybranych czynników klastrujących podgrup z kluczowych predyktorów.

Aby to zrobić, otwórz RapidMiner Studio, utworz nowy proces i dodaj operator Weight by Correlaction, klikając na Process > Operators > Feature Selection > Weight by Correlation. Ustaw parametr: próg korelacji = 0,04 (zachowaj zmienne o wadze > 0,04). Aby wymusić w modelu uwzględnienie wczesnych stadiów choroby i terminowości, maksymalne i minimalne wartości wskaźników laboratoryjnych uzyskano w ciągu 24 godzin od przyjęcia. Ponieważ Ostry Wynik Fizjologii III (APSIII) nie był uwzględniony w bazie eICU, zamiast tego użyto wyników z Ostrej Fizjologii i Oceny Zdrowia Przewlekłego IV (APACHE IV). Badanie to oczyściło dane i interpolowało brakujące wartości przy użyciu metody wielokrotnej imputacji oraz standaryzowało zmienne wejściowe przy opracowywaniu modeli predykcyjnych i subfenotypowych.

Analiza statystyczna
Otwórz SPSS 23.0, zaimportuj wstępnie przetworzony zbiór danych i wybierz Analizuj > Statystyki opisowe > Eksploruj. Sprawdź wykresy normalności testami , aby wykonać test Kołmogorowa-Smirnowa dla zmiennych ciągłych. Zmienne o rozkładzie skośnym podawane są jako mediana (zakres międzykwartylowy, IQR); Zmienne kategoryczne są podawane jako liczba (procent, %). Do porównania zmiennych ciągłych między grupami zastosowano test Manna-Whitneya U lub test Kruskala-Wallisa, w zależności od stosowności. Do porównania zmiennych kategorycznych między grupami zastosowano test chi-kwadrat Pearsona lub dokładny test Fishera, w zależności od stosowności.

Tworzenie modeli i prezentacja w sieci
W przypadku rozwoju modeli badanie podzieliło kohortę wyprowadzania MIMIC-IV na zestaw treningowy (90% pełnej próby losowo wybranej do opracowania modelu i strojenia hiperparametrów) oraz zestaw testowy (10% pełnej próby losowo wybranej do testów wewnętrznych); badanie to przeprowadziło zewnętrzną weryfikację w eICU. Badanie to wdrożyło uczenie maszynowe za pomocą pięciu metod: drzewo decyzyjne, regresja logistyczna, naivne bayes, stacking (podstawowe uczenie to regresja logistyczna, naivne bayes i metody losowego lasu; stacking learner to metoda drzewa decyzyjnego) oraz losowy las. Drzewo decyzyjne: kliknij na Process > Operators > Modeling > Classification > Decision Tree with Algorithm = C4.5, minimalny rozmiar liścia = 5. Aby uzyskać regresję logistyczną: kliknij Process > Operators > Modeling > Classification > Logistic Regression with Regularization strength = 0,1, Maximum iterations = 100. Dla Naive Bayes: kliknij na Process > Operators > Modeling > Classification > Naive Bayes z typem jądra = Gaussowskim. Aby uzyskać las losowy: kliknij na Process > Operators > Modeling > Classification > Random Forest z liczbą drzew = 100, Maksymalna głębokość = 20. Aby uzyskać stosowanie: kliknij na Process > Operators > Modeling > Ensemble > Stacking with Base learners = Logistic Regression + Naive Bayes + Random Forest; Stacking learner = Drzewo decyzyjne. Badanie to mierzyło wydajność predykcji opracowanego modelu poprzez obliczanie obszaru pod krzywą charakterystyki operacyjnej odbiornika (AUC), dokładności, precyzji i przypomnienia.

Przy tworzeniu klasyfikacji klinicznych podgrup ARDS związanych z zapaleniem płuc, badanie to wykorzystało klasteryzację k-średnich z kluczowymi predyktorami. Aby określić optymalną liczbę klastrów k, przeanalizowano wartość statystyk Gap w wykresie statystyk Gap, co sugerowało optymalną liczbę klastrów. Badanie to analizowało cechy kliniczne i wyniki różnych fenotypów oraz porównywało różnice w wskaźnikach śmiertelności szpitalnej między pacjentami z różnymi klastrami, którzy otrzymali lub nie otrzymali wczesnego leczenia kortykosteroidami w niskich i średnich dawkach.

W RapidMiner Studio wybierz File > Export Model i zapisz prognozę diagnostyczną oraz modele klasyfikacji podgrup jako pliki .model. Do pisania stron internetowych w języku Java 8u381 i Eclipse IDE 2023-09 używaj JDK Java w Javi; Zaimportuj pliki .model do projektu. W tym badaniu wykorzystano język Java do opracowania strony internetowej, na której osadzono model diagnostyczny i model klastrowania podgrup klinicznych, a model został przesłany online.

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

Results

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

Uczestnicy
Baza danych MIMIC-IV zawierała dane od 24 987 pacjentów z zapaleniem płuc, z których 14 121 miało ARDS związane z zapaleniem płuc (Tabela 1). Baza danych eICU zawierała dane od 20 676 pacjentów z zapaleniem płuc, z których 9946 miało ARDS powiązany z zapaleniem płuc (Tabela Uzupełniająca 1).

Ustanowienie i weryfikacja modelu predykcyjnego ARDS związanego z zapaleniem płuc
Wykorzystaliśmy dane kohorty MIMIC-IV ...

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

Discussion

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

Jak wiemy, jest to pierwszy model diagnostyczny i model klasyfikacji podgrup klinicznych wykorzystujący uczenie maszynowe do raportowania ARDS u pacjentów z zapaleniem płuc oraz największe badanie opisujące diagnozę i klasyfikację podgrup klinicznych ARDS związanej z zapaleniem płuc. W tym badaniu wyprowadziliśmy i zweryfikowaliśmy dwa modele oparte na uczeniu maszynowym, a następnie przetłumaczyliśmy je na aplikacje internetowe do praktyki klinicznej i późniejszych badań. W kohorcie walidacyjnej eICU przewidywanie, któr...

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

Disclosures

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

Autorzy deklarują, że nie mają ze sobą rywalizujących interesów.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Apache TomcatApache Software FoundationWersja 9.0.85
Eclipse IDE Zaćmienie2023-09
Java Development Kit & nbsp;JavaWersja Java SE 8u381 
RapidMiner StudioAltair Engineering Inc.Wersja 9.10.001 
Statystyki SPSSIBMWersja 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