Developing personalized prediction models for acute respiratory distress syndrome in the intensive care unit

Polzin, Richard; Schuppert, Andreas; Trimpe, Johann Sebastian

doi:HT030915708

Developing personalized prediction models for acute respiratory distress syndrome in the intensive care unit = Entwicklung personalisierter Prognosemodelle für akutes Lungenversagen auf der Intensivstation

Polzin, Richard^RWTH*

2024 & 2025

Verantwortlichkeitsangabevorgelegt von Richard Polzin

ImpressumAachen : RWTH Aachen University 2024

Umfang1 Online-Ressource : Illustrationen

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2024

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2025

Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
Schuppert, Andreas (Thesis advisor)^RWTH* ; Trimpe, Johann Sebastian (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2024-09-25

Online
DOI: 10.18154/RWTH-2024-11488
URL: https://publications.rwth-aachen.de/record/998629/files/998629.pdf

Einrichtungen

Projekte

Inhaltliche Beschreibung (Schlagwörter)
ARDS (frei) ; decision support system (frei) ; predictive modeling (frei) ; timeseries prediction (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Jeden Tag werden auf der ganzen Welt mehr und mehr Daten erzeugt. Die klinische Landschaft hat sich in den letzten Jahren stark verändert, da Informationen zunehmend digital verarbeitet werden. Vor allem auf der Intensivstation (ICU) von Krankenhäusern produzieren hochentwickelte Maschinen und medizinische Geräte eine Fülle von Daten. Künstliche Intelligenz (KI) und maschinelles Lernen (ML) können eingesetzt werden, um diese riesigen und heterogenen Datenräume auf der Suche nach zugrundeliegenden Mustern und verborgenen Signalen zu analysieren, die sich bisher allen Versuchen der manuellen Analyse und Extraktion durch menschliche Experten entzogen haben. Das akute Atemnotsyndrom (Acute Respiratory Distress Syndrome, ARDS) ist eine lebensbedrohliche Erkrankung, von der weltweit Millionen von Menschen betroffen sind und die zu einer hohen Morbidität und Mortalität führt [1] [2]. Beim ARDS beeinträchtigt eine Entzündung der Lunge deren Fähigkeit, den Körper mit Sauerstoff zu versorgen. Das Syndrom wird oft unterdiagnostiziert und häufig verzögert erkannt, was einen erheblichen Einfluss auf die damit verbundene Mortalität hat [3] [4] [5] [6]. In dieser Arbeit wird ein Prognosemodell zur Verbesserung der Behandlungsergebnisse bei ARDS-Patienten auf der Intensivstation vorgestellt, das auf einer neuen Plattform für die Entwicklung von ML-Modellen auf heterogenen Zeitreihendaten basiert. Das Modell sagt eine starke Abnahme der Lungenfunktion, definiert als ein Verlust der Sauerstoffzufuhr im Blutkreislauf, voraus. Für die Entwicklung wurden Zeitreihendaten von Intensivstationen eines deutschen Universitätsklinikums [7] verwendet, wobei die Patientendaten der letzten 24 Stunden durch deskriptive Statistiken in einem gleitenden Fenster zusammengefasst wurden. Es wurde festgestellt, dass ein Gradient-Boosted Tree Ensemble die beste Leistung bei der Vorhersage eines rapiden Abfalls des Verhältnisses zwischen dem Sauerstoffdruck im Blut und dem Sauerstoffanteil in der eingeatmeten Luft ermöglicht. Das entwickelte Modell weist eine hohe Vorhersageleistung auf und übertrifft mit einem ROC-AUC von 0,95 und einer Sensitivität und Spezifität von 0,87 bzw. 0,91, sowie einem Vorhersagehorizont von drei Tagen, den aktuellen Stand der Technik deutlich. Die Generalisierbarkeit dieses Modells wurde weiter evaluiert, indem ein Modell, das auf einer Teilmenge von Patienten ohne COVID-19-Infektion trainiert wurde, zur Vorhersage von mit dem Virus infizierten Patienten eingesetzt wurde. Wir zeigen, dass das Modell in diesem Fall gut funktioniert und ein Modell, das nur auf infizierten Patienten trainiert wurde, deutlich übertrifft. Zusammenfassend präsentiert diese Arbeit eine neuartige Plattform für die Entwicklung von ML-Modellen auf heterogenen medizinischen Zeitreihendaten, welche ein fehlendes Stück Software an der Schnittstelle zwischen Gesundheitswesen und Forschung, mit einem Schwerpunkt auf High-Performance-Computing (HPC) und Visualisierung, darstellt. Auf der Grundlage dieses Frameworks wurde ein Modell für die Vorhersage des schnellen Verlusts der Sauerstoffversorgung bei Intensivpatienten entwickelt, welches im Vergleich zu ähnlichen Ansätzen [8] [9] [10] eine überlegene Vorhersageleistung bei einem großen Vorhersagehorizont bietet.

More and more data is generated every day around the world. The clinical landscape has significantly shifted in recent years, with information increasingly being processed digitally. Especially in the intensive care unit (ICU) of hospitals, sophisticated machines and medical devices produce a plethora of data. Artificial Intelligence (AI) and Machine Learning (ML) can be used to analyze these vast and heterogeneous data spaces in search of underlying patterns and hidden signals, which have so far eluded any attempts of manual analysis and extraction through human experts. Acute Respiratory Distress Syndrome (ARDS) is a life-threatening condition that affects millions of people worldwide, resulting in high morbidity and mortality [1] [2]. During ARDS a widespread inflammation of the lung impairs its ability to oxygenate the body. The syndrome is often under diagnosed and frequently detected delayed, which has a significant impact on the associated mortality [3] [4] [5] [6]. This work presents a prediction model to improve outcomes in ARDS patients in the ICU, based on a new platform for the development of ML models on heterogeneous timeseries data. The model predicts a stark decrease in lung function, as indicated by a loss of oxygenation in the bloodstream. Timeseries data from ICU wards of a German university hospital [7] was used, with features of the past 24 hours summarized through descriptive statistics in a moving window. A gradient-boosted tree ensemble was found to enable the best performance in predicting the probability of a rapid decline in the ratio of the pressure of oxygen in the blood and the fraction of oxygen in the inhaled air. The developed model demonstrates high predictive performance achieving a ROC-AUC of 0.95 outperforming the state-of-the-art models significantly, with a sensitivity and specificity of 0.87 and 0.91 respectively and a three-day prediction horizon. The generalizability of this model was further evaluated, by deploying a model trained on a subset of patients without a COVID-19 infection to predict patients infected with the virus. We show that the model generalizes well in this case and significantly outperforms a model trained on only the infected patients. To summarize, this work contributes a novel framework for the development of ML models on heterogeneous medical timeseries data, which provides a missing piece of software at the intersection of healthcare and research, with a focus on high-performance computing (HPC) and visualization. Based on this framework, a model for the prediction of rapid loss of oxygenation in ICU patients was developed, providing superiority in prediction compared to similar approaches [8] [9] [10], achieving high predictive performance at a large prediction horizon.

OpenAccess:
PDF
(additional files)