Machine learning을 이용한 패혈증 환자의 Simple Weaning Model

A Simple Weaning Model Based on Interpretable Machine Learning Algorithm for Patients With
Sepsis: A Research of MIMIC-IV and eICU Databases

 

Background

Invasive mechanical ventilation(침습점 기계 환기)는 sepsis(패혈증) 환자의 예후에서 중요한 역할을 하지만, 현재 sepsis
환자군에 대한 weanig(발관)을 평가할 수 있는 tool은 없는 상황이다. 본 연구는 machinel learning을 이용해서 sepsis 환자에서 weaning을 평가할 수 있는 실용적인 model을 개발하는 것을 목표로 진행하였다.

 

Methods

본 연구에서는 환자 정보에 대한 자료를 MIMIC-IV(Medical Information Mart for Intensive Care Database-IV)와 eICU-
CRD(eICU Collaborative Research Database)에서 추출하였다. 성공적으로 weaning을 한 환자와 실패한 환자 간의 28-day mortality를 비교하기 위해 Kaplan-Meier curve를 사용하였다. 이어서 MIMIC-IV의 환자군을 training set와 internal verification set으로 나누고, eICU-CRT를 활용해 external verification set로 디자인하였다. 이후 model의 performance에 기반하여 internal validation set와 external validation을 단순화할 수 있는 optimal model을 알아보았다.

 

Results

Invasive mechanical ventilation을 시행한 sepsis 환자는 MIMIC-IV에서 5,020명, eICU-CRD에서 7,081명이었으며, matching 후에 weaning이 28-day mortality와 ICU 재원 기간과 연관이 있다는 것을 확인할 수 있었다(p < 0.001 and p = 0.002, respectively). 이후 Weaning model을 설계하기 위해 35개의 임상 변수를 이용하였으며, internal validation과 external validation을 가장 잘 수행할 수 있는 model이 XGBoost임을 확인하였다(AUROC: 0.80 and 0.86, respectively). 마지막으로 XGBoost에 기반하여 오직 4개의 변수만을 포함하는 simplified model을 구성하였다. 이 simplified model은 good predictive performance를 보였으며 (AUROC:0.75 and 0.78 in internal and external validation sets, respectively), web-based tool로써 향후 review를 하는데 이용할 수 있다.

 

Conclusions

Weaning의 성공 여부는 sepsis 환자의 단기 사망률과 연관이 있으며, 이를 위한 XGBoost algorithm을 이용한 simplified
model은 good predictive performance를 보였다. 이는 weanig 적용에 있어서 임상적으로 탁월하며, web-based tool로서 향후 더 나은 임상 적용에 도움이 될 수 있다.

 

TEXT

본 연구에서는 MIMIC-IV data의 80%를 training set에, 나머지 20%는 internal validation set에 배정하고 weaning predeiction model을 구성하기 위해 integrated machine-learning algorithm eXtremely Gradient Boosting(XGBoost)를 시행하였다. XGBoost는 learning framework로서 gradient boost를 활용하는 multiple decision tree에 기반한다.

 

Hyperparameter는 grid search를 이용하여 optimization 하였다. 이 외에 K-Nearest Neighbor (KNN), Multi-Layer Perceptron (MLP), Random Forest (RF), Support Vector Machine(SVM), and Logistic Regression (LR)를 test에 적용하여 비교하였다.

 

 

Model 들의 prediction efficiency는 receiver operating characterist(ROC) curve로 비교하였고, linear relationship through local weighted regression scatter smoothing (LOWESS)를 나타내는 SHAP value를 확인하였다.

 

 

본 연구 결과 다음의 인자들이 증가할수록 weaning의 성공 가능성이 높았다:
urine output, lowest base excess, GCS, lowest SPO2, congestive heart failure, lowest pH, lowest map, highest PaCO2, renal disease, lowest platelet count, BMI, OI(oxygenation index).

 

 

본 연구에서는 database의 한계로 인해 lactate, central venous pressure를 variable로 포함하지 못했고, SAPS II와 SOFA score도 평가에 이용하지 못했다.

 

Reference
Wanjun Liu et al. A Simple Weaning Model Based on Interpretable Machine Learning Algorithm for Patients With Sepsis: A Research of MIMIC-IV and eICU Databases.
Frontiers in medicine.

 

2022.05.30 - [의학] - Machine learning을 이용한 COVID-19 환자에서의 extubation failure 예측

Machine learning을 이용한 COVID-19 환자에서의 extubation failure 예측

 

2024.01.13 - [의학] - 중환자에서 SBT(spontaneous breathing trial) 시 T-piece와 PSV의 비교

중환자에서 SBT(spontaneous breathing trial) 시 T-piece와 PSV의 비교

 

2024.03.05 - [의학] - COVID 19 환자에서 D-dimer 상승의 의미

COVID 19 환자에서 D-dimer 상승의 의미