Research Article

Zatürre ile ilişkili ARDS'nin tahmini için web tabanlı bir uygulamanın geliştirilmesi ve dış doğrulaması

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

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

Bu çalışma, erken teşhis ve pnömoni ile ilişkili ARDS'nin klinik fenotiplenmesi için makine öğrenimi modellerini entegre eden web tabanlı bir sistem geliştirmeyi ve dış doğrulamayı amaçlamaktadır; böylece hassas tedaviyi kolaylaştırmak sağlanmaktadır.

Abstract

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

Akut solunum sıkıntısı sendromu (ARDS), klinik belirtileri şiddetli zatürre ile örtüşebilecek ve doğru farklılaştırma konusunda zorluklar doğuran son derece heterojen bir hastalıktır. Bu nedenle, ARDS hastalarının erken tahmini ve yatak başı hızlı alt tip kümelenmesi acil olarak gereklidir. Bu çalışma, pnömoni ile ilişkili ARDS'nin gelişimini ve fenotiplerini tahmin etmek için erken yatak başı tanı ve klinik alt grup sınıflandırmasının doğrulanmış modellerini içeren web tabanlı bir sistem geliştirmeyi amaçlamaktadır. Tanı ve alt grup modelleri, Yoğun Bakım IV için Tıbbi Bilgi Merkezi (MIMIC-IV) ve Telehealth Yoğun Bakım Ünitesi (eICU) olmak üzere iki büyük veritabanından geliştirildi ve doğrulandı; web tabanlı bir tahmin sistemine entegre edildi. 2008 ile 2019 yılları arasında 24 saatten fazla hastanede yatan zatürreli hastalardan alınan veriler analiz edildi. MIMIC-IV türevi kohortu 24.987 pnömoni hastasını (14.121 pnömoni ile ilişkili ARDS) içeriyordu; eICU doğrulama kohortunda 20.676 zatürre hastası (9946'sı zatürre ile ilişkili ARDS) bulunuyordu. Tanıda, makine öğreniminin stacking yöntemi en iyi performans gösterdi; 0.919 AUC, %70.00 doğruluk, %69.88 hassasiyet ve MIMIC-IV türetme kohortunda %82.27 geri çağırma ile performans gösterdi. eICU doğrulama kohortunun AUC, doğruluk, hassasiyet ve geri çağırma oranları sırasıyla 0,915, %70,87, %69,70 ve %69,70 idi. Zatürre ile ilişkili ARDS, farklı klinik özellikler ve sonuçlara sahip üç klinik fenotipe ayrıldı ve hepsi tedaviye farklı yanıt verdi. 0 ve 1 kümelerindeki hastalar arasında, erken kortikosteroid tedavisi alanlar arasında hastane içi ölüm oranları, almayanlara göre daha yüksekti; 2. kümedeki hastalar arasında ise kortikosteroid alanlarda hastane içi ölüm oranı almayanlara göre daha düşüktü. Zazarre ile ilişkili ARDS'nin tanı tahmini ve klinik alt grup sınıflandırmasının web dönüşümünü gerçekleştirdik. Erken yatak başı teşhisi ve pnömoniye ilişkili ARDS'nin klinik alt grup sınıflandırması web tabanlı modellerimiz, klinisyenlere hastalığın teşhisi ve tedavisinde yardımcı olabilir ve bireysel hassas tedaviyi teşvik edebilir.

Introduction

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

Akut solunum yetmezliği, özellikle akciğer enfeksiyonu sonrası akut solunum sıkıntısı sendromu (ARDS), kritik hastalarda karşılaşılan yaygın ve yıkıcı bir sorundur. Çalışmalar, yoğun bakım ünitesindeki (yoğun bakım) hastalar arasında ARDS insidansının %10'a kadar çıktığını ve ölüm oranının yaklaşık %40 olduğunu göstermiştir2,3. Şiddetli zatürre, ARDS4'ün ana nedeni olarak yaygın olarak kabul edilmektedir. Şiddetli zatürre ile ARDS'nin klinik semptomları benzer olduğundan, ARDS'yi şiddetli zatürreden ayırt etmek genellikle zordur. Bu nedenle, zatürre vakalarında ARDS gelişiminin erken tahmini, ARDS sisidanlığını ve ölüm oranlarınıazaltabilir. 5. Ayrıca, ARDS son derece heterojen bir hastalıkolduğu için 6, erken ve doğru alt grup sınıflandırması hassas tıptıba olanak sağlayabilir. Bu tür sınıflandırma, dünya genelinde solunum yolu kritik hastalıkları üzerine araştırmaların ana yönlerinden biridir. 7, amaç hedefli alt grup müdahalesinin etkinliğini artırmaktır.

Şu anda, ARDS için bağımsız risk faktörleri kapsamlışekilde incelenmiştir 8, ancak çok azı zatürre hastalarında ARDS tahminine odaklanmıştır. Ayrıca, pnömoni ile ilişkili ARDS'nin spesifik klinik fenotipleri üzerine herhangi bir çalışma yapılmamıştır; fenotip çalışmalarının çoğu ARDS hastalarının tamamına odaklanmıştır. Calfee ve ark.9 , ARDS'yi hiperinflamatuar ve hipoinflamatuar fenotipler olarak sınıflandırmıştır. Bu biyolojik fenotipleri tanımlamak için, plazma biyobelirteçleri kategorik olarak tanımlanan değişkenler olarak kullanılmalıdır, ancak böyle bir araştırma yatak başında kolayca erişilebilir değildir. Bir çalışmada, ARDS'yi üç klinik fenotipe ayırmak için kolayca erişilebilir klinik göstergeler kullanıldı ve randomize müdahalelere yanıtlar da değerlendirildi, ancak çalışma ARDS10 hasta popülasyonunun tamamına dayandı. ARDS'nin klinik fenotiplerini, örneğin zatürre gibi farklı nedenlere göre tanımlamak, daha rafine ve doğru sonuçlar verebilir.

Bu çalışmanın amaçları, makine öğrenimini kullanarak erken klinik verilerle zatürre ile ilişkili ARDS'nin öngörücü modelini oluşturmak; erken ve kolay erişilebilir klinik verileri kullanarak zatürre ile ilişkili ARDS'yi klinik fenotiplere sınıflandırmak ve klinik özellikleri, sonuçları ve tedavi yanıtlarındaki farklılıkları araştırmak; ve tahmin modeli ile sınıflandırma modelini, zatürre ile ilişkili ARDS'nin tanı ve tedavisinde klinisyenlere yardımcı olacak ve daha fazla araştırmayı teşvik edecek web tabanlı bir uygulama olarak uygulamak.

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

Protocol

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

Bu çalışma, İnsan Araştırmaları Katılımcılarını Koruma sınavını (Kayıt Kimliği: 44151052) tamamladıktan sonra Yoğun Bakım IV için Tıbbi Bilgi Merkezi (MIMIC-IV)Veritabanı 11 (Sürüm 1.0, PhysioNet: https://physionet.org/content/mimiciv/1.0/) ve Telehealth Yoğun Bakım Birimi (eICU)Veritabanı 12 (Sürüm 2.0, PhysioNet: https://physionet.org/content/eicu-crd/2.0/) erişimine ulaştı. Bu çalışma, Helsinki Bildirgesi (2013) ilkelerine uygun olarak yürütüldü ve hastalar verilerinin iki veritabanında kaydedilmesi için onay verdiler. Bu çalışma için etik onay kaldırıldı çünkü eICU ve MIMIC-IV veritabanlarındaki veriler tamamen anonimleştirildi (kişisel tanımlayıcılar tutulmadı).

Malzemeler ve araçlar
Veri Kaynakları: MIMIC-IV Veritabanı: Sürüm 1.0, 76.540 yoğun bakım bakım yatışını içeren tek merkezli açık erişim kayıt defteri (2008-2019), PhysioNet üzerinden erişilmiştir. eICU Veritabanı: Sürüm 2.0, 2014-2015 yılları arasında ABD'deki 208 hastaneden 335 birimden 200.000 elektronik tıbbi kayıt >içeren çok merkezli veritabanı, PhysioNet üzerinden erişilmiştir. Yazılım ve Yürütme Ortamı: RapidMiner Studio: Sürüm 9.10.001 (yürütme ortamı: Windows 10 Pro 64-bit), model oluşturma (sınıflandırma/kümeleme) ve özellik seçimi için kullanılır; IBM SPSS Statistics: Sürüm 23.0 (yürütme ortamı: Windows 10 Pro 64-bit), istatistiksel analiz ve eksik değer ödemesi için kullanılmıştır; Java Geliştirme Kiti (JDK): Sürüm Java SE 8u381 (yürütme ortamı: Windows 10 Pro 64-bit), Web uygulama geliştirme için kullanılır; destekleyici IDE: Eclipse IDE 2023-09; Apache Tomcat: Web tabanlı uygulamanın dağıtımı için kullanılan sürüm 9.0.85.

Çalışma tasarımı ve ortamları
Bu çalışmanın konsepti, Ek Şekil 1'de açıklanmıştır. Bu çalışma, iki büyük kaynaktan alınan verileri analiz ederek Yoğun Bakım IV için Tıbbi Bilgi Merkezi (MIMIC-IV) ve Telehealth Yoğun Bakım Ünitesi (eICU) veri tabanlarından alınan veriler, zatürre ile ilişkili ARDS'nin öngörücü modelini oluşturdu ve etkilenen hastaları klinik fenotiplere göre sınıflandırdı. Bu çalışma, Bireysel Prognoz veya Tanı için Çok Değişkenli Tahmin Modelinin Şeffaf Raporlanması (TRIPOD) yönergelerini takip etti.

Çalışma örnekleri
Bu çalışmanın eğitim ve test verileri MIMIC-IV'den alınmıştır. Dış doğrulama kaynağı çok merkezli eICU veritabanıydı. Bu çalışma, zatürre ve zatürre ile ilişkili ARDS hastaları hakkında veri çıkarmak için Uluslararası Hastalıklar Sınıflandırması (Dokuzuncu ve Onuncu Revizyon) kullanıldı. 24 saatten kısa süreyle yatırılan hastalar hariç tutuldu.

Tahminciler
MIMIC-IV ve eICU veri setlerinde veri erişilebilirliği ve eksik klinik değişkenlerin oranı değerlendirildikten sonra, pnömoni ile ilişkili ARDS için 52 değişken, makine öğreniminde kullanılmak üzere aday eğitim değişkenleri olarak seçildi; bunlar arasında hastaların demografik özellikleri, laboratuvar bulguları ve hastalık şiddeti puanları yer aldı. Bu çalışma, değişkenler ve sonuçlar arasındaki korelasyon ağırlığına dayalı bir ağırlık algoritması kullanarak 52 aday değişkenin ana tahmin edicilerini (modellere nihayetinde dahil edilen değişkenler) taramak için kullanıldı ve ardından ana tahmin edicilerden alt grup kümeleme faktörlerini seçti.

Bunu yapmak için RapidMiner Studio'yu açın, yeni bir süreç oluşturun ve Process > Operators > Feature Selection > Weight by Correlation (Weight by Correlation seçeneği) seçeneklerine tıklayarak Weight by Correlation operatörünü ekleyin. Parametreyi ayarlayın: Korelasyon eşiği = 0.04 (ağırlıklı değişkenler > 0.04 korun). Modeli hastalığın erken evrelerini ve zamanında olmalarını hesaba katmaya zorlamak için, laboratuvar göstergelerinin maksimum ve minimum değerleri hastaneye kabul edildikten sonraki 24 saat içinde alındı. Akut Fizyoloji Skoru III (APSIII) eICU veritabanına dahil edilmediği için, bunun yerine Akut Fizyoloji ve Kronik Sağlık Değerlendirmesi IV (APACHE) puanları kullanıldı. Bu çalışma, verileri temizledi ve eksik değerleri çoklu ödüm yöntemiyle interpolasyon yaptı ve tahmin ile alt fenotipleme modelleri geliştirilirken giriş değişkenlerini standartlaştırdı.

İstatistiksel analiz
SPSS 23.0'ı açın, önceden işlenmiş veri setini içe aktarın ve Analyze > Descriptive Statistics > Explore'ı seçin. Kolmogorov-Smirnov testini sürekli değişkenler için gerçekleştirmek için Normallik Grafiklerini Testlerle kontrol edin. Çarpık dağılımlı değişkenler medyan olarak bildirilir (çeyreklerarası aralık, IQR); Kategorik değişkenler sayım olarak bildirilir (yüzde %), %. Gruplar arasındaki sürekli değişkenleri karşılaştırmak için, uygun olduğunda Mann-Whitney U testi veya Kruskal-Wallis testi kullanıldı. Gruplar arasındaki kategorik değişkenleri karşılaştırmak için, uygun olduğunda Pearson'ın ki-kare testi veya Fisher'ın tam testi kullanıldı.

Model geliştirme ve web sunumu
Model geliştirme için, bu çalışma MIMIC-IV türetim kohortunu bir eğitim seti (model geliştirme ve hiperparametre ayarlaması için rastgele seçilen tam örneklerin %90'ı) ve bir test setine (dahili test için rastgele seçilen tam seçmenin %10'u) olarak ayırdı; bu çalışma eICU'da dış doğrulama gerçekleştirdi. Bu çalışma, makine öğrenimini beş yöntemle uyguladı: karar ağacı, lojistik regresyon, naif baye, stacking (temel öğrenenler lojistik regresyon, naif bayes ve rastgele orman yöntemleri; stacking öğrenen karar ağacı yöntemi) ve rastgele orman. Karar ağacı: Süreç > Operatörleri> Modelleme > Sınıflandırma > Karar Ağacı'na tıklayın; Algoritma = C4.5, Minimum yaprak boyutu = 5. Lojistik regresyon için: Süreç > Operatörleri > Modelleme > Sınıflandırma > Düzenlenme gücü = 0.1, Maksimum yineleme = 100 ile Lojistik Regresyon seçeneğine tıklayın. Naive Bayes için: Process > Operators > Modelleme > Sınıflandırma > Naive Bayes ile Çekirdek tipi = Gaussian seçeneğine tıklayın. Rastgele orman için: Süreç > Operatörleri> Modelleme > Sınıflandırma seçeneğine tıklayın > Rastgele Orman ile ağaç sayısı = 100, maksimum derinlik = 20. Stacking için: Process > Operators > Modelleme > Ensemble > Stacking with Base learners = Logistik Regresyon + Naive Bayes + Random Forest; Stacking learner = Karar Ağacı. Bu çalışma, geliştirilmiş modelin tahmin performansını alıcı çalışma karakteristik eğrisinin (AUC) altındaki alanı, doğruluğu, hassasiyeti ve geri çağırmayı hesaplayarak ölçtü.

Zazarre ile ilişkili ARDS klinik alt gruplarının sınıflandırılmasını oluştururken, bu çalışma temel öngörücülerle k-mean kümelenmesini kullandı. Küme k için optimal sayı belirlenmek için, Gap istatistiklerinin değeri Gap istatistikleri grafikindeki incelendi ve bu da optimal küme sayısını önerdi. Bu çalışma, farklı fenotiplerin klinik özelliklerini ve sonuçlarını analiz etti ve erken düşük ve orta doz kortikosteroid tedavisi alan ve almayan farklı kümelere sahip hastalar arasında hastane içi ölüm oranlarındaki farkları karşılaştırdık.

RapidMiner Studio'da, Dosya > Dışa Aktarma Modeli'ni seçin ve tanı tahmini ile alt grup sınıflandırma modellerini .model dosyaları olarak kaydedin. Java dilinde web sayfaları yazmak için JDK Java SE 8u381 ve Eclipse IDE 2023-09 kullanın; .model dosyalarını projeye aktarın. Bu çalışma, Java dilini kullanarak tanısal model ve klinik alt grup kümeleme modelinin gömüldüğü bir web sayfası geliştirdi ve modeli çevrimiçi olarak yükledik.

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

Results

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

Katılımcılar
MIMIC-IV veritabanı, 24.987 pnömoni hastasının verilerini içeriyordu; bunların 14.121'inde zatürre ile ilişkili ARDS vardı (Tablo 1). eICU veritabanı, 20.676 zatürre hastasının verilerini içeriyordu; bunların 9946'sında zatürre ile ilişkili ARDS vardı (Ek Tablo 1).

Zatürre ile ilişkili ARDS tahmin modelinin oluşturulması ve doğrulanması
MIMIC-IV kohortunun verilerini kullanarak zatürre ile ilişkili ARDS için...

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

Discussion

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

Bildiğimiz gibi, bu makine öğrenimi kullanarak pnömoni hastalarında ARDS'yi raporlayan ilk tanı modeli ve klinik alt grup sınıflandırma modeli olup, pnömoni ile ilişkili ARDS'nin tanısını ve klinik alt grup sınıflandırılmasını bildiren en büyük çalışmadır. Bu çalışmada, iki makine öğrenimi tabanlı model türetip doğruladık ve bunları klinik uygulama ve sonraki araştırmalar için web tabanlı uygulamalara çevirdik. eICU doğrulama grubunda, zatürre hastalarının pnömoniye ilişkili ARDS gelişti...

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

Disclosures

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

Yazarlar, rekabet eden çıkarları olmadığını belirtirler.

Acknowledgements

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

Hiçbiri yok

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 yazılım vakfıSürüm 9.0.85
Eclipse IDE Tutulma2023-09
Java Geliştirme Kiti JavaVersion Java SE 8u381 
RapidMiner StüdyosuAltair Mühendislik Inc.Sürüm 9.10.001 
SPSS İstatistikleriIBMSürüm 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