پیش بینی خسارت بالینی برای مراقبت های اورژانسی

پیش بینی جبران خسارت بالینی برای مراقبت های اورژانسی و حیاتی موثر ضروری است. در این مطالعه، ما یک رویکرد یادگیری ماشین چندوجهی برای پیش‌بینی شروع ناهنجاری‌های جدید علائم حیاتی (تاکی کاردی، افت فشار خون، هیپوکسی) در بیماران ED با علائم حیاتی اولیه طبیعی ایجاد می‌کنیم. روش ما داده‌های تریاژ استاندارد (علائم حیاتی، جمعیت‌شناسی، شکایت اصلی) را با ویژگی‌های مشتق شده از یک دوره کوتاه نظارت فیزیولوژیک مستمر، که از طریق پردازش سیگنال مرسوم و یادگیری عمیق مبتنی بر ترانسفورماتور بر روی شکل‌های موج ECG و PPG استخراج می‌شود، ترکیب می‌کند.

ما 19847 بازدید ED بزرگسالان را مطالعه می کنیم که به آموزش (75٪)، اعتبارسنجی (12.5٪)، و یک مجموعه آزمایشی متوالی (12.5٪) تقسیم شده است.

بهترین مدل‌ها از ترکیبی از ویژگی‌های مهندسی شده و مشتق از ترانسفورماتور استفاده می‌کنند و در یک پنجره 90 دقیقه‌ای تاکی کاردی جدید با AUROC 0.836 (95% CI، 0.800-0.870)، افت فشار خون جدید با AUROC 0.802 (95% CI، 0.74) را پیش‌بینی می‌کنند. 0.856-)، و هیپوکسی جدید با AUROC 0.713 (95% فاصله اطمینان (CI، 0.680-0.745)، در همه موارد به طور قابل توجهی بهتر از مدل ها با استفاده از داده های تریاژ استاندارد است. ویژگی های برجسته عبارتند از روندهای علائم حیاتی، شاخص پرفیوژن PPG و شکل موج ECG. این رویکرد می‌تواند تریاژ بیماران ظاهراً پایدار را بهبود بخشد و به طور مداوم برای پیش‌بینی زوال بالینی کوتاه‌مدت استفاده شود.

مراقبت-های-اورژانسی

تریاژ بیماران بخش اورژانس (ED) برای مراقبت به موقع و مناسب برای نتایج بالینی و عملیاتی ضروری است.

نمرات هشدار اولیه در تریاژ  مراقبت-های-اورژانسی موفقیت متوسطی را در پیش‌بینی جبران‌زدایی فیزیولوژیک (تخریب یک یا چند علامت حیاتی مانند ضربان قلب، اشباع اکسیژن یا فشار خون) و مرگ‌ومیر نشان داده‌اند. چنین نمرات شامل علائم حیاتی است که یک بار در ارائه، و گاهی اوقات دوباره در فواصل زمانی متغیر ارزیابی می شود. بیماران مبتلا به ناهنجاری های علائم حیاتی در اولویت مراقبت های بالاتر قرار می گیرند. رویکردهای استاندارد برای طبقه بندی خطر و مدیریت بیماران مبتلا به بیماری هایی مانند سپسیس4، سکته مغزی5، ایست قلبی6 یا بیماری انسدادی مزمن ریوی7 به خوبی ایجاد شده است.

برای بیمارانی که بدون ناهنجاری‌های فیزیولوژیک اولیه مراجعه می‌کنند، هیچ چارچوب استانداردی برای پیش‌بینی جبران‌زدایی بعدی یا نیازهای مراقبتی وجود ندارد.

برخی از مطالعات نشان داده‌اند که تا 14.5 درصد از بیماران ED جبران بالینی را تجربه می‌کنند، و تا 12.9 درصد آن‌ها جبران گزارش‌نشده (یعنی ایجاد علائم حیاتی غیرطبیعی بدون اطلاع پزشک)، به‌ویژه در اورژانس‌های پرجمعیت و در میان بیماران مسن را تجربه می‌کنند.

بیماران ED به طور معمول به مانیتورهای فیزیولوژیک پیوسته متصل می شوند که علائم حیاتی را به طور مداوم (ضربان قلب، ضربان تنفس، اشباع اکسیژن) یا متناوب (فشار خون با فشار خون)، و همچنین سیگنال های الکتروکاردیوگرام با وضوح بالا (ECG) و فتوپلتیسموگرافی (PPG) اندازه گیری می کنند.

. چنین مانیتورهایی اطلاعات دقیق و بی‌درنگ را برای سیستم‌های پیش‌بینی بالقوه ارائه می‌دهند. روند علائم حیاتی و شکل موج ECG/PPG ممکن است حاوی اطلاعاتی در مورد خطر زوال باشد که توسط یک شکل موج منفرد یا مجموعه ای از علائم حیاتی ثبت نشده است. بنابراین، روش‌های یادگیری ماشینی که برای داده‌های مانیتور چندوجهی کنار تخت به کار می‌روند، ممکن است برای بهبود پیش‌بینی‌های جبران‌زدایی بالینی مورد استفاده قرار گیرند.

کار قبلی از یادگیری ماشینی برای علائم حیاتی و سایر ویژگی‌های بیمار برای پیش‌بینی نتایج بالینی و عملیاتی در اورژانس، مانند عوارض مرتبط با کووید۱۷، سپسیس۱۸، و نیاز به بستری در بیمارستان یا بخش مراقبت‌های ویژه (ICU) استفاده کرده است. . تحقیقات اخیر همچنین نشان می دهد که ویژگی های استخراج شده از شکل موج های فیزیولوژیک مانند فشار خون شریانی، ECG و PPG می تواند به پیش بینی علائم حیاتی کمک کند22،23،24،25 و ایجاد ناهنجاری های علائم حیاتی مانند تاکی کاردی25،26، افت فشار خون27،28،29، هیپوکسی 30،31 یا مرگ 32. کار قبلی شکل‌های موج فیزیولوژیک را برای پیش‌بینی رویدادهای بالینی خاص مانند فیبریلاسیون دهلیزی در 45 دقیقه، پاسخ فشار خون به تزریق مایع در 3 ساعت، جبران همودینامیک در بیماران شبیه‌سازی‌شده خونریزی35، و جابجایی مایع در طول همودیالیز، تجزیه و تحلیل کرده است.

اکثر مطالعات قبلی از جمله شکل‌های موج فیزیولوژیک در ICU، اتاق عمل یا تنظیمات آزمایشگاهی انجام می‌شوند. با توجه به دانش ما، هیچ مطالعه قبلی علائم حیاتی عددی پیوسته و شکل‌های موج فیزیولوژیک را برای پیش‌بینی جبران‌زدایی در یک جمعیت کلی ED، که تشخیص‌های اساسی و شدت بیماری آن‌ها اغلب در زمان ارائه اولیه مشخص نشده، یا به طور فعال در حال تکامل هستند، ترکیب نکرده است.

در این مطالعه، ما جبران خسارت بالینی بیماران ED در ابتدا با ثبات را با استفاده از داده‌های فیزیولوژیکی چندوجهی از 15 دقیقه اول نظارت پیش‌بینی می‌کنیم. به طور خاص، ما VitalML، یک چارچوب یادگیری ماشین چندوجهی را توسعه می‌دهیم که فیزیولوژی بیمار را از طریق ویژگی‌های مهندسی شده و جاسازی‌های شکل موج ECG/PPG مشتق از یادگیری عمیق می‌آموزد تا پیش‌بینی کند که کدام بیماران در ۹۰ دقیقه آینده دچار تاکی کاردی، افت فشار خون یا هیپوکسی خواهند شد.

ما همچنین مقادیر بحرانی یک اندازه گیری مرکب معتبر برای جبران خسارت بیمار، امتیاز هشدار اولیه اصلاح شده (MEWS)37 را پیش بینی می کنیم. ما ویژگی‌هایی را که مربوط به هر پیش‌بینی است مشخص می‌کنیم و با مفاهیم بالینی برای تریاژ و نظارت بیمار نتیجه می‌گیریم.

معرفی مراقبت-های-اورژانسی تریاژ مراقبت-های-اورژانسی بیماران بخش اورژانس (ED) برای مراقبت به موقع و مناسب برای نتایج بالینی و عملیاتی ضروری است

اطلاعات دموگرافیک بیمار، شکایت اصلی و علائم حیاتی اولیه هنگام ورود ED جمع آوری می شود. پس از قرار دادن اتاق و همزمان با سایر کارها، بیمار وارد یک دوره ارزیابی 15 دقیقه‌ای می‌شود که در طی آن شش اندازه‌گیری عددی (HR، RR، SpO2، MAP، فاصله ضربان به ضربه RR، شاخص پرفیوژن) با وضوح 1 ثانیه ثبت می‌شود. ، و بخش های 60 ثانیه ای از شکل موج های ECG و PPG سرب II نمونه برداری می شوند.

داده‌های تریاژ و روند علائم حیاتی با معیارهای فیزیولوژیکی مشتق‌شده از فواصل RR و شکل‌های موج ECG/PPG (تنوع ضربان قلب، زمان رسیدن نبض)، و همچنین نمایش‌های مشتق‌شده از یادگیری عمیق شکل‌های موج ECG و PPG ترکیب می‌شوند، در مدلی که پیش‌بینی می‌کند آیا بیمار در 90 دقیقه پس از دوره ارزیابی اولیه دچار تاکی کاردی، افت فشار خون یا هیپوکسی خواهد شد.

ما VitalML،

یک چارچوب یادگیری ماشین چندوجهی را با استفاده از داده‌های مانیتورهای فیزیولوژیک برای شناسایی بیماران اولیه با ثبات در معرض خطر جبران بالینی (تاکی کاردی، هیپوکسی، یا افت فشار خون) در عرض 90 دقیقه ارزیابی اولیه توسعه دادیم (شکل 1). رویکرد ما ویژگی‌هایی را از شکل‌های موج پیوسته ECG و PPG استخراج می‌کند، با استفاده از هر دو تکنیک پردازش سیگنال مرسوم برای استخراج ویژگی‌های مرتبط بالینی شناخته شده (تغییرات ضربان قلب و زمان رسیدن نبض)، و همچنین جاسازی‌های به دست آمده از مدل‌های یادگیری عمیق مبتنی بر ترانسفورماتور.

ما چهار دسته از ویژگی‌ها را در پیش‌بینی زوال بالینی ارزیابی کردیم: ویژگی‌های مشاهده‌شده در تریاژ ED، ویژگی‌هایی که مستقیماً توسط مانیتورهای کنار تخت در طول نظارت اولیه ثبت شده‌اند، ویژگی‌های مهندسی شده از شکل موج‌های ECG و PPG، و نمایش‌های تعبیه‌شده از یادگیری عمیق شکل‌های موج ECG و PPG. ویژگی های تریاژ شامل سن بیمار، جنسیت، شاخص شدت اضطراری (ESI) اختصاص داده شده در تریاژ، علائم حیاتی در تریاژ (HR، RR، SpO2، MAP، SBP، DBP) و 46 متغیر شاخص برای دسته های شکایت اصلی در تریاژ بود. ویژگی‌های تحت نظارت مستقیم شامل اولین علائم حیاتی در طول دوره ارزیابی (HR، RR، SpO2، MAP، SBP، DBP)، و ضرایب روندهای خطی در این ویژگی‌ها در طول دوره ارزیابی بود. ویژگی های مهندسی شده از شکل موج ECG و PPG شامل چندین معیار تغییرپذیری ضربان قلب (HRV) مشتق شده از فاصله ضربان به ضربان RR و از خود شکل موج ECG و زمان رسیدن پالس (PAT) که از شکل موج های ECG و PPG همزمان اندازه گیری می شود. در نهایت، ما از ترانسفورماتورها برای ایجاد شکل موج از نمونه های 60 ثانیه ای ECG و PPG استفاده کردیم.

ویژگی های بازدید

ما 19847 بازدید ED بزرگسالان را به تخت‌های تحت نظارت با علائم حیاتی طبیعی (HR≤ 110bpm، SpO2 ≥ 90% و MAP ≥ 65 mmHg) در تریاژ و در طول 15 دقیقه اول نظارت (دوره ارزیابی) مورد مطالعه قرار دادیم. در 90 دقیقه پس از دوره ارزیابی، تاکی کاردی جدید (HR > 110bpm) در 6.11% (1213/19847) از بازدیدها، هیپوکسی (SpO2 < 90%) در 11.20% (2222/19,84 P) و افت فشار خون (2222/19,847) از ویزیت ها ایجاد شد. mmHg) در 2.33٪ (462/19847). برای هر پیامد، بیمارانی که ناهنجاری های علائم حیاتی را تجربه می کردند به طور قابل توجهی بیشتر در بیمارستان بستری می شدند. جزئیات بازدید در جدول 1 توضیح داده شده است.

پیش بینی تاکی کاردی جدید، افت فشار خون و هیپوکسی
بهترین مدل‌ها با استفاده از ویژگی‌های تریاژ معمولی (سن، جنسیت، علائم حیاتی تریاژ، شاخص شدت اضطراری [ESI]، و شکایت اصلی [CC])، و همچنین ویژگی‌های به دست آمده از یک دوره ۱۵ دقیقه‌ای نظارت مداوم، تاکی کاردی جدید با AUROC 0.836 (95٪ CI، 0.800-0.870)، افت فشار خون جدید با AUROC 0.802 (95٪ CI، 0.747-0.856)، و هیپوکسی جدید با AUROC 0.713 (905٪ CI) 0.713 (905٪ CI) 0.713، 0.85-0. یک مجموعه آزمایشی نگه‌داشته‌شده از بازدیدها به ترتیب زمانی که در آموزش و اعتبارسنجی استفاده می‌شوند (شکل 2، جداول تکمیلی 1-2). هر مدل به طور قابل توجهی بهتر از بهترین مدل ها با استفاده از ویژگی های تریاژ معمولی، با بهبود مطلق AUROC 0.036+ (95% فاصله اطمینان (CI)، 0.003-0.070) برای تاکی کاردی، 0.073+ (95% فاصله اطمینان (CI)، 0.034-0.112) برای افت فشار خون و 011+ (+0) عمل کرد. 95% فاصله اطمینان (CI)، 0.074-0.147) برای پیش‌بینی هیپوکسی جدید.

تخمین های یک نقطه AUROC با 95% CI بوت استرپ نشان دهنده عملکرد پیش بینی در مجموعه آزمایشی است (همچنین به جداول تکمیلی 1-2 مراجعه کنید). b تفاوت AUROC از مدل تریاژ پایه با 95٪ CIs. برای هر نتیجه، ویژگی‌های نظارتی اضافی، پیش‌بینی‌های دقیق‌تری نسبت به مدل تریاژ پایه ایجاد کردند. متغیرهای “تریاژ” شامل سن، جنسیت، علائم حیاتی تریاژ و شکایت اصلی است. “VS Trends” اولین علائم حیاتی از نظارت مستمر و روند خطی هر علامت حیاتی را در یک دوره ارزیابی 15 دقیقه ای نشان می دهد. “PAT” نشان دهنده زمان رسیدن پالس است که از شکل موج ECG و PPG محاسبه می شود. “HRV” مجموعه ای از معیارهای تغییر ضربان قلب است. “پرفیوژن” شاخص پرفیوژن است. “شکل موج” نشان دهنده یک تعبیه 8 بعدی است که از یک مدل ترانسفورماتور، با 4 ویژگی هر کدام از شکل موج های PPG و ECG ایجاد شده است. بهترین مدل برای هر نتیجه با آبی روشن مشخص شده است.

 

تأثیر انواع ویژگی بر عملکرد پیش‌بینی
در پیش‌بینی تاکی کاردی، ما پیشرفت‌های قابل‌توجهی را نسبت به مدل پایه با مدل‌هایی از جمله روند علائم حیاتی از 15 دقیقه اول پایش، اقدامات HRV، PAT و شاخص پرفیوژن مشاهده کردیم. پیش‌بینی افت فشار خون از گنجاندن روندهای علائم حیاتی در طول دوره ارزیابی، و همچنین PAT، HRV، شاخص پرفیوژن، و ویژگی‌های شکل موج مشتق از یادگیری عمیق بهره می‌برد. پیش‌بینی هیپوکسی جدید با گنجاندن روندهای علائم حیاتی در طول دوره ارزیابی، PAT، HRV، و شاخص پرفیوژن بهبود یافت (شکل 2، جداول تکمیلی 1-2).

ویژگی های آزمون پیش بینی
ما ویژگی‌های آزمون (حساسیت، ویژگی، ارزش اخباری منفی [NPV]، ارزش اخباری مثبت [PPV]) را برای مدل‌های با بهترین عملکرد و پایه محاسبه کردیم، نقاط عملیاتی را برای حساسیت 0.85 در مجموعه اعتبارسنجی انتخاب کردیم، و عملکرد را در مدل‌های نگهداری شده ارزیابی کردیم. مجموعه آزمایشی (جدول تکمیلی 3-4). برای پیش‌بینی تاکی کاردی، ویژگی‌های اضافی به طور چشمگیری ویژگی مدل را از 0.608 (95% CI، 0.588-0.627) در بهترین مدل تریاژ به 0.740 (95% CI، 0.723-0.758) در بهترین مدل کلی بهبود دادند. در پیش‌بینی هیپوکسی، بهترین مدل نیز بهبود زیادی در ویژگی نشان داد، از 0.239 (95% فاصله اطمینان (CI)، 0.221-0.257) تا 0.365 (95% CI، 0.344-0.385). در مقابل، برای پیامد نسبتاً نادر افت فشار خون، مزیت اصلی ویژگی‌های اضافی حساسیت مدل بود که از 0.661 (95% فاصله اطمینان (CI)، 0.543-0.778) به 0.742 (95% CI، 0.633-0.848) بهبود یافت. جدول تکمیلی 3 مشخصات آزمایش دقیق را در نقاط عملیاتی مدل اضافی نشان می دهد.

عملکرد پیش بینی برای پنجره های 60 و 120 دقیقه ای

ما مدل‌های مشابهی را آموزش دادیم و تحلیل‌های مشابهی را برای پیش‌بینی جبران خسارت در دوره‌های 60- (جدول تکمیلی 5-7) و 120 دقیقه (جدول تکمیلی 8-10) پس از ارزیابی اولیه انجام دادیم. در پنجره پیش‌بینی 60 دقیقه‌ای، پیش‌بینی هیپوکسی به طور قابل‌توجهی در یک مدل با ویژگی‌های کامل با استفاده از همه انواع متغیر، با بهبود 0.085+ (95% فاصله اطمینان (CI، 0.041-0.129) در AUROC نسبت به مدل تریاژ بهبود یافت (جدول تکمیلی 6). در پنجره پیش‌بینی 120 دقیقه‌ای، مدل‌هایی که از ویژگی‌های نظارتی اضافی استفاده می‌کردند، به طور قابل‌توجهی برای هر سه کار، با بهبودهای AUROC 0.043+ (95% فاصله اطمینان (CI، 0.015-0.072) برای تاکی کاردی، 0.060+ (0.015-0.104) برای افت فشار خون بهبود یافتند. و +0.079 (0.046-0.113) برای هیپوکسی (جدول تکمیلی 9).

پیش بینی امتیاز MEWS بالا
به عنوان یک نتیجه کمکی، ما مدل‌های مشابهی را برای پیش‌بینی مقادیر تازه افزایش یافته امتیاز هشدار زودهنگام اصلاح‌شده (MEWS)، یک معیار ترکیبی از ناهنجاری‌های فیزیولوژیکی که قبلاً برای پیش‌بینی جبران‌زدایی و پیامدهای نامطلوب تأیید شده بود، آموزش دادیم. گروه پیش‌بینی ما (بیمارانی که بدون تاکی کاردی، هیپوکسی یا افت فشار خون پس از تریاژ و اتاق‌گذاری اولیه مراجعه می‌کنند) مقادیر MEWS به نسبت پایینی در ارائه داشتند (متوسط 1، IQR 1-1). ما پیش‌بینی کردیم که آیا این بیماران متعاقباً دچار MEWS ≥ 4 می‌شوند، آستانه‌ای که قبلاً با افزایش نیازهای مراقبت مرتبط بود. در پنجره 90 دقیقه ای، مدل با بهترین عملکرد از روندهای علائم حیاتی در طول دوره ارزیابی، PAT و HRV برای پیش بینی توسعه MEWS ≥ 4 با AUROC 0.825 (95% CI، 0.794-0.856)، a + 0.05 استفاده کرد. بهبود (0.027-0.079) نسبت به مدل پایه با استفاده از ویژگی های تریاژ به تنهایی (جدول تکمیلی 11). جداول تکمیلی 11-12 اثرات ترکیب ویژگی ها را بر روی AUROC و AUPRC برای پیش بینی MEWS ≥ 4 در پنجره های 60، 90، و 120 دقیقه ای پس از ارزیابی اولیه نشان می دهد. جدول تکمیلی 13 مطابقت بین پیش بینی ناهنجاری های خاص (تاکی کاردی، افت فشار خون، هیپوکسی) و حداکثر MEWS ثبت شده در پنجره پیش بینی 90 دقیقه ای را نشان می دهد.

شکل تکمیلی 1 نمودارهای کالیبراسیون را برای مدل‌های پایه فقط تریاژ و بهترین عملکرد برای هر پیامد (تاکی کاردی، افت فشار خون، هیپوکسی، MEWS ≥ 4)، در پنجره پیش‌بینی 90 دقیقه‌ای، و همچنین نتیجه برازش رگرسیون ایزوتونیک در مجموعه اعتبار سنجی برای مدل های با بهترین عملکرد برای پیش‌بینی تاکی کاردی، هیپوکسی و MEWS ≥ 4، مدل‌های با بهترین عملکرد کالیبراسیون بهتری نسبت به مدل‌های پایه فقط تریاژ نشان دادند، که تمایل به پیش‌بینی بیش از حد جبران خسارت برای بازدیدهای کم خطر و پیش‌بینی جبران ناکافی برای بازدیدهای با خطر بالاتر داشتند. در پیش‌بینی افت فشار خون جدید، هر دو مدل پایه و بهترین عملکرد، نتیجه را در تمام سطوح خطر پیش‌بینی نکردند. رگرسیون ایزوتونیک، متناسب با مجموعه اعتبار سنجی، کالیبراسیون مدل را بهبود بخشید، به ویژه برای افت فشار خون و هیپوکسی، اگرچه افت فشار خون برای برخی بازدیدها کمتر پیش بینی شده بود.

تفسیر عملکرد مدل

شناسایی ویژگی‌هایی که سهم بالایی در پیش‌بینی نهایی دارند
ما از تحلیل SHAP برای شناسایی مهم‌ترین ویژگی‌ها برای هر پیش‌بینی، برای مدل‌های پایه و بهترین عملکرد استفاده کردیم (شکل 3، جدول تکمیلی 14). ما همبستگی بین نمرات SHAP و مقادیر ویژگی را برای ارزیابی جهت مشارکت محاسبه کردیم، جایی که یک همبستگی مثبت نشان می‌دهد که مقادیر بیشتر یک ویژگی به یک پیش‌بینی مثبت کمک می‌کند. مدل‌های پایه (تریاژ) به سن، جنسیت، شکایت اصلی و علائم حیاتی در تریاژ محدود شدند. برای تاکی کاردی، ویژگی‌های تریاژ مرتبط با پیش‌بینی مثبت شامل HR، دما، و فشار خون دیاستولیک بالاتر در تریاژ و سن پایین‌تر بود. پیش بینی افت فشار خون با کاهش فشار خون و درجه حرارت در تریاژ و سن کمتر مرتبط بود. پیش‌بینی هیپوکسی با افزایش سن، کاهش SpO2 و فشار خون سیستولیک و RR بالاتر در تریاژ همراه بود.

 

مقادیر میانگین اهمیت SHAP برای هر ویژگی در مدل‌های تریاژ پایه و کاملاً برجسته برای هر سه کار محاسبه شد (همچنین به جدول تکمیلی 11 مراجعه کنید). سهم (%) وزن نسبی یک ویژگی معین را در پیش‌بینی مدل نشان می‌دهد. ضرایب همبستگی پیرسون نشان‌دهنده میزانی است که ارزش ویژگی بالاتر به پیش‌بینی مثبت کمک می‌کند که از طریق تحلیل SHAP ارزیابی می‌شود.

 

 

با توجه به عملکرد مشابه مدل‌های کاملاً برجسته و با بهترین عملکرد برای هر نتیجه، و واریانس در مدل‌های با بهترین عملکرد در بین پنجره‌های پیش‌بینی 60، 90 و 120 دقیقه‌ای (جدول تکمیلی 1، 6، 9)، ما اعمال کردیم. تجزیه و تحلیل SHAP به مدل های کاملاً برجسته برای ارزیابی اهمیت نسبی همه ویژگی ها. علاوه بر ویژگی‌های تریاژ، مدل‌های نامحدود به یک دوره ارزیابی 15 دقیقه‌ای نظارت مستمر، PAT، HRV، شاخص پرفیوژن و جاسازی‌های شکل موج مشتق از یادگیری عمیق دسترسی داشتند. این مدل‌های نامحدود به طور قابل‌توجهی به روندهای علائم حیاتی در طول دوره ارزیابی (HR برای تاکی کاردی، فشار خون و RR برای افت فشار خون، SpO2 و SBP برای هیپوکسی)، بر درون‌سازی شکل موج ECG و PPG مبتنی بر یادگیری عمیق (پیش‌بینی تاکی کاردی و هیپوکسی) و در معیارهای مختلف HRV و شاخص پرفیوژن شکل موج PPG (نسبت جریان خون ضربانی به غیر ضربانی39) برای هر سه کار (شکل 3، جدول تکمیلی 14).

مشخص کردن جمعیت بیماران با پیش بینی های بهبود یافته در مدل با بهترین عملکرد
ما ویژگی‌های ویزیت‌هایی را که به‌درستی توسط مدل‌های با بهترین عملکرد و به‌طور نادرست توسط مدل‌های تریاژ پایه طبقه‌بندی شده‌اند، مشخص کردیم تا مشخص کنیم کدام جمعیت بیمار از روش‌های پیش‌بینی پیچیده‌تر سود می‌برند (شکل 4، جدول تکمیلی 15). برای تاکی کاردی، بیمارانی که به درستی به یک پیش‌بینی منفی طبقه‌بندی شدند، HR بالاتری در تریاژ داشتند، جوان‌تر بودند، فشار خون دیاستولیک بالاتری داشتند، شکل موج‌های ECG و PPG مشخص داشتند و مقادیر متفاوتی از یک متریک HRV (TINN) داشتند. بیمارانی که به درستی به پیش‌بینی مثبت تاکی کاردی طبقه‌بندی شدند، ویژگی‌های متمایز HRV و تعبیه‌های PPG/ECG و همچنین تفاوت‌هایی در HR و DBP تحت نظارت در طول دوره ارزیابی داشتند. برای افت فشار خون، بیمارانی که به درستی توسط مدل با بهترین عملکرد به منفی طبقه‌بندی شدند، MAP و BP سیستولیک کمتر در تریاژ، RR پایین‌تر و فشار دیاستولیک بالاتر در اولین نظارت داشتند، جوان‌تر بودند و شکل موج ECG مشخصی داشتند. بیمارانی که به درستی مجدداً به افت فشار خون مثبت طبقه‌بندی شده‌اند، ECG و PPG شکل موج مشخص و BP سیستولیک پایین‌تری در اولین پایش داشتند. برای هیپوکسی، بیمارانی که از پیش‌بینی‌های بهبود یافته در مدل با بهترین عملکرد بهره می‌برند، مقادیر شدید شاخص پرفیوژن، پروفایل‌های مختلف HRV و علائم حیاتی متمایز در طول دوره ارزیابی، در مقایسه با بازدیدهای طبقه‌بندی نشده داشتند.

 

ما گروه‌های بازدید را که به‌درستی توسط مدل با بهترین عملکرد طبقه‌بندی شده بودند، جدا کردیم، اما به اشتباه توسط مدل تریاژ پایه طبقه‌بندی شدند. برای هر گروه طبقه‌بندی‌شده، ویژگی‌هایی را شناسایی کردیم که به‌طور قابل‌توجهی با گروه‌های طبقه‌بندی‌نشده تفاوت داشتند (05/0p <، آزمون‌های t دو طرفه). امتیازها نشان دهنده تفاوت در مقادیر میانگین ویژگی برای بازدیدهایی که به درستی طبقه‌بندی شده‌اند، به توزیع هر متغیر در بین بازدیدهای طبقه‌بندی نشده تغییر می‌کنند.

تصویر در اندازه کامل
بحث
ما VitalML، یک چارچوب یادگیری ماشینی چندوجهی را ارائه می‌کنیم که از نظارت فیزیولوژیک مستمر برای شناسایی بیماران ED در ابتدا پایدار استفاده می‌کند که متعاقباً دچار تاکی کاردی، افت فشار خون یا هیپوکسی می‌شوند. برای هر نتیجه، متوجه می‌شویم که مدل‌هایی که ویژگی‌های یک دوره 15 دقیقه‌ای نظارت غیرفعال را در بر می‌گیرند، به طور قابل‌توجهی از مدل‌های محدود به ویژگی‌های تریاژ معمولی بهتر عمل می‌کنند. برای برخی از نتایج و پنجره‌های پیش‌بینی، ویژگی‌های شکل موج مهندسی‌شده و آموخته‌شده، تمایز را نسبت به روندهای علائم حیاتی به تنهایی بهبود می‌بخشند. ما پیشنهاد می‌کنیم که این رویکرد می‌تواند برای بهبود تریاژ بیماران اولیه پایدار در معرض خطر جبران خسارت استفاده شود، و می‌تواند به طور مداوم برای تخمین‌های زمان واقعی زوال بالینی کوتاه‌مدت اعمال شود.

بیماران ED از این نظر منحصر به فرد هستند که تشخیص های اساسی و شدت بیماری آنها اغلب در تظاهرات اولیه ناشناخته است. در حالی که چندین مطالعه قبلی از یادگیری ماشینی برای پیش‌بینی رویدادهای بالینی استفاده کرده‌اند، تقریباً همه بر روی بخش‌های بیمارستان عمومی، ICU یا تنظیمات اتاق عمل تمرکز کرده‌اند. بیمار قبلاً تحت ارزیابی اساسی قرار گرفته است. تعداد معدودی از مطالعات مربوط به بیماران ED به ندرت نتایجی را پیش‌بینی کرده‌اند که در خود ویزیت ED رخ می‌دهد48،49. اگرچه مانیتورهای فیزیولوژیکی با وضوح بالا در تنظیمات ED همه جا حاضر هستند، تعداد کمی از مؤسسات داده‌هایی را که ثبت می‌کنند حفظ می‌کنند. از آنجایی که هزینه‌های ذخیره و پردازش چنین داده‌هایی همچنان کاهش می‌یابد، ما پیش‌بینی می‌کنیم که پیش‌بینی بالینی با استفاده از داده‌های فیزیولوژیک بلادرنگ به طور فزاینده‌ای عادی شود.

مدل‌های مجموعه درختی اغلب بر روی داده‌های ساختاریافته، به‌ویژه در مجموعه داده‌های کوچکتر، از مدل‌های یادگیری عمیق بهتر عمل می‌کنند. ما یک رویکرد مدل‌سازی ترکیبی را اتخاذ کردیم، با استفاده از یک مجموعه درخت تصمیم تقویت‌شده با گرادیان به‌عنوان چارچوب مدل‌سازی سطح بالا، و ترکیب ویژگی‌های شکل موج مهندسی‌شده و جاسازی‌های شکل موج مبتنی بر یادگیری عمیق به عنوان ورودی‌های این مدل‌ها.

جای تعجب نیست که روند علائم حیاتی در طول مانیتورینگ پس از تریاژ، پیش بینی کننده اصلی ناهنجاری های بعدی در همان علامت حیاتی است. در پیش‌بینی تاکی کاردی یا افت فشار خون در پنجره 90 دقیقه‌ای پس از ارزیابی، بیشتر بهبود در دقت پیش‌بینی (در مقایسه با مدل‌های پایه با استفاده از اطلاعات تریاژ به تنهایی) با مدل‌سازی روندهای علائم حیاتی در طول دوره ارزیابی به دست آمد. در بسیاری از موارد، ویژگی های شکل موج مهندسی شده یا آموخته شده ممکن است به طور قابل توجهی با علائم حیاتی مرتبط باشد (مانند PAT با BP، HRV با HR، شاخص پرفیوژن با SpO2). با این حال، در پیش‌بینی هیپوکسی، افزودن شاخص پرفیوژن باعث بهبود عملکرد نسبت به مدل‌های مشابه بدون این اطلاعات شد. برای پیش‌بینی تاکی کاردی، ویژگی‌های مرتبه دوم در مقایسه با پیش‌بینی‌های برد کوتاه‌تر (پنجره ۹۰ دقیقه) مفیدتر به نظر می‌رسند که ممکن است کاهش ارزش پیش‌آگهی روند علائم حیاتی ساده را منعکس کند. این افق طولانی تر

برای پیش‌بینی افت فشار خون و هیپوکسی، ویژگی‌های شکل موج مهندسی شده از جمله اندازه‌گیری‌های HRV و شاخص پرفیوژن PPG با تجزیه و تحلیل SHAP برجسته شدند. به عنوان مثال، بهترین مدل برای هیپوکسی، از SpO2 در طول دوره ارزیابی، و همچنین از شاخص پرفیوژن (مشتق‌شده از شکل موج PPG) و HRV (اندازه‌های حاصل از شکل موج ECG) برای کاهش مثبت کاذب در مقایسه با مدل پایه استفاده می‌کند. . اگرچه بهترین مدل برای پیش‌بینی افت فشار خون شامل جاسازی‌های شکل موج ECG/PPG است، تجزیه و تحلیل SHAP به شدت این ویژگی‌ها را وزن نمی‌کند. این اختلاف ممکن است از همبستگی بین ابعاد تعبیه شده و سایر ویژگی ها ناشی شود. در مدل افت فشار خون کاملاً مشخص، که عملکردی مشابه با مدل محدودتر و با بهترین عملکرد دارد، روند فشار خون با شاخص پرفیوژن و یک متریک HRV تکمیل می‌شود، که قبلاً با فروپاشی همودینامیک اولیه همراه بوده است52،53. به طور کلی، تجزیه و تحلیل ویژگی ما نشان می‌دهد که دوره ارزیابی برای پیش‌بینی افت فشار خون بسیار ارزشمند است، زیرا بهترین مدل می‌تواند بازدیدهایی را که در غیر این صورت به اشتباه توسط یک مدل ساده‌تر که صرفاً بر خون پایین‌تر تکیه می‌کند، به‌اشتباه به‌عنوان پرخطر علامت‌گذاری می‌کند، مجدداً طبقه‌بندی کند. فشار در تریاژ

پیش‌بینی هیپوکسی جدید در کل سخت‌ترین کار بود و مدل با بهترین عملکرد از ویژگی‌های موجود استفاده گسترده‌ای کرد. در واقع، شاخص پرفیوژن، معیاری از پرفیوژن محیطی که از شکل موج PPG به دست می‌آید، تنها ویژگی با بالاترین وزن در پیش‌بینی هیپوکسی اولیه در بیماران اولیه نرموکسی بود. کار قبلی نقش روشنی برای شاخص پرفیوژن در پیش‌بینی هیپوکسی ایجاد نکرده است. با توجه به اینکه شاخص پرفیوژن کیفیت سیگنال پالس اکسیمتری 55 را منعکس می‌کند، ما حدس می‌زنیم که افزودن این ویژگی ممکن است به مدل کمک کند تا تأثیر اندازه‌گیری‌ها و روند SpO2 را بر پیش‌بینی هیپوکسی بعدی کالیبره کند.

مطالعه ما چندین محدودیت دارد. اگرچه ما مدل‌هایی را بر روی مجموعه‌ای از بازدیدهای بعدی آزمایش کردیم تا اعتبارسنجی آینده‌نگر را شبیه‌سازی کنیم، به داده‌هایی از یک مرکز دانشگاهی دسترسی داشتیم، که ممکن است به تنظیمات دیگر تعمیم نکند. نتیجه مورد علاقه ما، جبران کوتاه‌مدت بیماران اولیه با ثبات، نشان‌دهنده نسبت کوچک اما مهمی از تمام ویزیت‌های ED است و مدل‌های بزرگ‌تر احتمالاً از تعداد بیشتر و متنوع‌تری از موارد آموزشی بهره می‌برند. مدل‌های پیش‌بینی هیپوتانسیون بدترین کالیبراسیون را برای توزیع رویداد زیربنایی نشان دادند، که ممکن است ناشی از بروز نسبتاً کمتر افت فشار خون در مقایسه با سایر ناهنجاری‌ها باشد. رگرسیون ایزوتونیک کالیبراسیون را بهبود بخشید، به ویژه برای افت فشار خون و هیپوکسی. ما پیش‌بینی می‌کنیم که آموزش مدل‌ها در مجموعه داده‌های بزرگتر با رویدادهای جبران‌زدایی بیشتر منجر به بهبودهای بیشتر در کالیبراسیون شود، که برای به حداقل رساندن هشدارهای نادرست حواس‌پرتی در استقرار بالینی ضروری است. ما فقط از 15 دقیقه اول نظارت برای شبیه‌سازی مزیت مدل «تریاژ ثانویه» برای جبران خسارت بعدی استفاده کردیم، و به این دلیل که بیماران در مجموعه داده‌های ما در اوایل بازدید به‌طور قابل‌اطمینانی نظارت می‌شوند. تحقیقات آینده می تواند این رویکرد را به یک پنجره پیش بینی متحرک، به طور بالقوه شامل شخصی سازی مدل تکراری بر اساس دقت پیش بینی های قبلی، گسترش دهد. شکل موج های ECG و PPG که در تنظیمات ED گرفته می شوند به دلیل جابجایی و جابجایی مکرر بیمار می توانند نویز داشته باشند. در حالی که ما بخش های شکل موج خود را برای فیلتر کردن بخش های پر سر و صدا از قبل پردازش کردیم، این فیلتر کردن طول و تعداد شکل موج های قابل استفاده را محدود می کند. با توجه به اندازه محدود مجموعه داده ما و تأثیر پیش‌بینی ویژگی‌های شکل موج به خوبی توصیف شده مانند HRV و PAT، نمی‌توانیم ادعا کنیم که همه ویژگی‌های نهفته مرتبط شکل موج ECG و PPG را آموخته‌ایم. در نهایت، اگرچه می‌توانستیم کاربردهایی را شناسایی کنیم که در آنها تعبیه‌های شکل موج به پیش‌بینی‌های صحیح کمک می‌کردند، اما در توانایی خود برای تشخیص ویژگی‌های شکل موج خاص مرتبط با این پیش‌بینی‌ها محدود بودیم.

 

برای هر ویزیت ED، دوره ارزیابی را به عنوان اولین 15 دقیقه نظارت پس از قرار دادن بیمار در اتاق تعریف کردیم. ما از علائم حیاتی و شکل‌های موج ECG/PPG از دوره ارزیابی، علاوه بر سن، جنسیت، علائم حیاتی تریاژ و شکایت اصلی بیمار، برای پیش‌بینی جبران‌سازی فیزیولوژیک بعدی استفاده کردیم: تاکی کاردی (HR > 110)، هیپوکسی (SpO2 < 90)، یا افت فشار خون (MAP < 65) در عرض 90 دقیقه پس از دوره ارزیابی. در تجزیه و تحلیل های تکمیلی، ما یک نتیجه ترکیبی تایید شده قبلی از اختلالات علائم حیاتی (MEWS ≥ 4)، و پنجره های پیش بینی 60 و 120 دقیقه ای را برای همه پیامدها ارزیابی کردیم.

ما مدل‌های جداگانه‌ای را برای هر ناهنجاری (تاکی کاردی، هیپوکسی، افت فشار خون، و MEWS ≥ 4) در گروه مشابهی از بیماران اولیه پایدار ایجاد کردیم. ما گروه را به آموزش (75٪)، اعتبارسنجی (12.5٪) و مجموعه های آزمون نگهدارنده (12.5٪) تقسیم کردیم، با مجموعه آزمون شامل بازدیدهایی که بعد از بازدیدهایی که در مجموعه های آموزشی و اعتبار سنجی انجام می شود، به منظور شبیه سازی اعتبار سنجی آینده نگر انجام می شود. . مجموعه‌های آموزشی و اعتبارسنجی شامل داده‌هایی از تقریباً 18 ماه اول جمع‌آوری داده‌ها و مجموعه‌های آزمون شامل بازدیدهایی از 3 ماه آخر جمع‌آوری داده‌ها بودند. ما از بسته “GroupShuffleSplit” scikit-learn برای تقسیم بندی گروه بندی شده بر اساس شناسایی بیمار استفاده کردیم، به طوری که مجموعه های تست قطار، اعتبار سنجی و نگهدارنده هیچ همپوشانی با بیمار (در مورد بیماران با چندین ویزیت) نداشتند.

ویژگی های مورد استفاده برای پیش بینی جبران خسارت
ما چهار دسته از ویژگی‌ها را در پیش‌بینی زوال بالینی ترکیب کردیم: ویژگی‌های مشاهده‌شده در تریاژ ED، ویژگی‌های ثبت‌شده مستقیماً توسط مانیتورهای کنار تخت در طول دوره ارزیابی، ویژگی‌های مهندسی شده از شکل موج‌های ECG و PPG، و نمایش‌های تعبیه‌شده از یادگیری عمیق شکل‌های موج ECG و PPG. . ویژگی های تریاژ شامل سن بیمار، جنسیت، شاخص شدت اضطراری (ESI) اختصاص داده شده در تریاژ، علائم حیاتی در تریاژ (HR، RR، SpO2، MAP، SBP، DBP) و 46 متغیر شاخص برای دسته های شکایت اصلی در تریاژ بود. ویژگی‌های تحت نظارت مستقیم شامل اولین علائم حیاتی در طول دوره ارزیابی (HR، RR، SpO2، MAP) و ضرایب روندهای خطی در این ویژگی‌ها در طول دوره ارزیابی بود. ویژگی های مهندسی شده از شکل موج ECG و PPG شامل چندین معیار تغییرپذیری ضربان قلب (HRV) مشتق شده از فاصله ضربان به ضربان RR و از خود شکل موج ECG و زمان رسیدن پالس (PAT) که از شکل موج های ECG و PPG همزمان اندازه گیری می شود. در نهایت، ما از ترانسفورماتورها برای ایجاد شکل موج از نمونه های 60 ثانیه ای ECG و PPG استفاده کردیم.

داده های شکل موج و پیش پردازش
شکل موج‌های مداوم ECG و PPG به دلیل جدا شدن سنسور و حرکت بیمار در معرض آثار و شکاف‌هایی در ضبط هستند. ما یک استراتژی پیش پردازش برای انتخاب اولین پنجره 60 ثانیه ای دوره ارزیابی ایجاد کردیم که در آن هر دو شکل موج ECG و PPG کیفیت قابل قبولی را نشان دادند. برای شکل موج های ECG، ما از روش همیلتون 58 برای شناسایی پیک های R و تعیین ضربان قلب استفاده کردیم و شکل موج های بدون ضربان قلب قابل تشخیص بین 25 تا 300 ضربه در دقیقه یا با دامنه های بیش از 4 میلی ولت را دور انداختیم. برای شکل موج‌های PPG، ما چولگی، تطابق امواج سیستولیک و حضور بخش‌های ثابت را با استفاده از آستانه‌های کیفیت سیگنال بر اساس مطالعات قبلی اندازه‌گیری کردیم59،60. ما بازدیدهای بدون شکل موج ECG و PPG قابل قبول را در همان پنجره 60 ثانیه ای کنار گذاشتیم. برای کاهش نویز، یک فیلتر باند 3 تا 45 اینچ هرتز را روی شکل موج ECG و یک فیلتر Butterworth درجه 4 را برای شکل موج‌های PPG اعمال کردیم. شکل موج ECG از 500 اینچ هرتز به 125 هرتز کاهش یافت تا با فرکانس شکل موج PPG مطابقت داشته باشد.

اندازه گیری تغییرات ضربان قلب
تحقیقات قبلی معیارهای دامنه زمانی و فرکانس تغییرپذیری ضربان قلب (HRV) را برای وظایف پیش‌بینی بالینی ایجاد کرده است. ما از فواصل ضربان به ضرب RR از ECG لید II پیوسته برای ایجاد معیارهای HRV حوزه زمانی زیر استفاده کردیم: انحراف استاندارد فواصل RR (SDRR)، درصد فواصل RR متوالی که بیش از 50 اینچ (pRR50) متفاوت است. ریشه میانگین مربع تفاوت‌های بازه RR متوالی (RMSSD)، شاخص مثلثی HRV که با تقریبی از انتگرال چگالی هیستوگرام فاصله RR تقسیم بر ارتفاع آن، و عرض هیستوگرام فاصله RR (TINN) محاسبه می‌شود. ما با اعمال یک تبدیل فوریه برای تخمین چگالی طیفی توان سیگنال ECG، یک نمایش دامنه فرکانس از شکل موج ECG 60 ثانیه تولید کردیم. سپس معیارهای HRV حوزه فرکانس زیر را محاسبه کردیم: فرکانس اوج باند فرکانس پایین (0.04-0.15 Hz)، فرکانس اوج باند فرکانس بالا (0.15-0.4 Hz)، توان مطلق باند فرکانس پایین، توان مطلق باند فرکانس بالا، توان نسبی باند فرکانس پایین، توان نسبی باند فرکانس بالا و نسبت توان فرکانس پایین به فرکانس بالا61.

زمان رسیدن نبض
برای هر بخش 60 ثانیه ای از شکل موج ECG و PPG تراز، ما زمان رسیدن پالس (PAT) را محاسبه کردیم: میانگین زمان بین پیک سیگنال ECG و PPG، که نشان دهنده تاخیر بین سیستول الکتریکی در قلب و جریان خون محیطی است. ما پیک‌های شکل موج را با استفاده از تابع «find_peaks» ۵۷ scipy پیدا کردیم، جفت‌های پیک ECG-PPG دور انداخته‌شده به نظر می‌رسید که از فاصله RR مربوطه ECG فاصله دارند، سپس میانگین تأخیر بین جفت پیک‌های معتبر ECG و PPG را اندازه‌گیری کردیم.

 

تحلیل آماری
ما تجزیه و تحلیل آماری عملکرد مدل را از طریق راه‌اندازی انجام دادیم تا عدم قطعیت ناشی از تصادفی بودن داده‌های مجموعه آزمایشی بیمار و بدون تحمیل مفروضات توزیعی را در نظر بگیریم. برای هر مدل، ما 95% CI را برای AUROC و AUPRC با استفاده از نمونه‌برداری مجدد بوت استرپ با 10000 تکرار محاسبه کردیم. تمام آزمون های آماری توصیفی (به عنوان مثال، آزمون های تی) دو طرفه هستند.

تفسیرپذیری مدل
ما اهمیت ویژگی را با استفاده از SHapley Additive Explanations (SHAP) ارزیابی کردیم، که از مکانیسم نظری بازی برای اختصاص امتیاز مشارکت به هر ویژگی استفاده می کند. ما میانگین مقدار مطلق SHAP را برای هر ویژگی در هر نمونه در مجموعه آزمایشی محاسبه کردیم و بر مجموع مقادیر SHAP در همه ویژگی‌ها تقسیم کردیم تا امتیازی برای سهم کلی هر ویژگی در پیش‌بینی مدل جبران‌زدایی بالینی ایجاد کنیم. برای تعیین جهت دهی مشارکت ها (یعنی اینکه آیا مقادیر بیشتر یک ویژگی به یک پیش بینی مثبت یا منفی کمک می کند)، ما ضریب همبستگی پیرسون را بین مقدار یک ویژگی و امتیاز SHAP آن محاسبه کردیم.

تجزیه و تحلیل موارد به درستی طبقه بندی مجدد
برای تعیین ویژگی‌های بازدیدهایی که به‌درستی توسط مدل‌های با بهترین عملکرد ما طبقه‌بندی شده‌اند، اما با استفاده از مدل تریاژ پایه به اشتباه طبقه‌بندی شده‌اند، ما نقاط عملیاتی را برای هر مدل روی حساسیت طبقه‌بندی 85 درصد در مجموعه اعتبارسنجی قرار دادیم. سپس بازدیدهایی را شناسایی کردیم که به درستی توسط مدل با بهترین عملکرد برای هر کار طبقه‌بندی شده بودند، و به اشتباه توسط مدل تریاژ پایه طبقه‌بندی شدند. ما ویژگی‌های این بازدیدها را با بازدیدهایی مقایسه کردیم که توسط مدل‌های با بهترین عملکرد با استفاده از آزمون‌های t دو طرفه طبقه‌بندی نشده بودند.

نمودارهای کالیبراسیون مدل
ما نمودارهای کالیبراسیون را برای مدل های پایه و بهترین عملکرد برای هر کار، در پنجره پیش بینی 90 دقیقه ای تولید کردیم. ما بازدیدها را بر اساس احتمال پیش‌بینی‌شده جبران‌سازی رتبه‌بندی کردیم، پیش‌بینی‌ها را به پنجک تقسیم کردیم، و برای هر پنجک جبران‌زدایی پیش‌بینی‌شده، میانگین احتمال پیش‌بینی‌شده و نسبت مثبت‌های واقعی را محاسبه کردیم. ما از رگرسیون ایزوتونیک، متناسب با مجموعه اعتبارسنجی، برای مدل‌های با بهترین عملکرد استفاده کردیم.

همسویی بین پیش‌بینی‌های جبران‌زدایی فردی و MEWS
برای هر ناهنجاری فردی پیش‌بینی‌شده (تاکی کاردی، افت فشار خون، هیپوکسی)، ما پیش‌بینی‌های دوگانه جبران جبران را با استفاده از نقاط عملیاتی انتخاب شده برای حساسیت اعتبارسنجی 85 درصد تولید کردیم. برای بازدیدهای مثبت یا منفی پیش‌بینی‌شده برای جبران خسارت در مجموعه آزمایش، ما تعداد بیمارانی را که به MEWS ≥ 4 در طول پنجره پیش‌بینی می‌رسند، ثبت کردیم. «همسویی» بین جبران‌زدایی پیش‌بینی‌شده و MEWS، نسبت بیمارانی است که به MEWS ≥ 4 می‌رسند و پیش‌بینی می‌شد جبران کنند، یا نسبت بیماران با حداکثر MEWS < 4 که پیش‌بینی می‌شود جبران نکنند.

نرم افزار
داده‌های مانیتور پیوسته از انبار داده‌های Stanford Health Care Philips با استفاده از جعبه ابزار Philips PIC iX DWC (C.03.31) استخراج شد. تمام تحلیل ها با استفاده از پایتون (3.9.7) انجام شد. پردازش داده ها با استفاده از numpy (1.21.6)، پانداها (1.4.2)، h5py (3.6.0) و scikit-learn (1.0.1) انجام شد. تجزیه و تحلیل آماری کوهورت با استفاده از روش Scipy (1.8.0) انجام شد. استخراج ویژگی HRV/PTT با استفاده از scipy (به بالا مراجعه کنید) و matplotlib (3.5.1) انجام شد. آموزش و ارزیابی ترانسفورماتور با استفاده از مشعل (1.10.2 + cu111)، pytorch_lightning (1.6.1)، torchmetrics (0.8.0)، edm (0.0.4) و wandb (0.12.14) انجام شد. علاوه بر این، بسته edm از biosppy (0.6.1) و vital-sqi (0.1.0) استفاده می کند. آموزش، تنظیم و ارزیابی مدل LGBM با استفاده از lightgbm (3.3.0)، scikit-learn (نگاه کنید به بالا) و verstack (3.2.3) انجام شد. تحلیل‌های ثانویه عملکرد مدل با استفاده از shap (0.40.0)، scikit-learn (به بالا)، matplotlib (به بالا مراجعه کنید) و scipy (به بالا مراجعه کنید) انجام شد.

اخلاق
این مطالعه توسط هیئت بررسی نهادی دانشگاه استنفورد، با چشم پوشی از رضایت برای تحقیقات گذشته نگر بر روی داده های ناشناس تایید شد.

خلاصه گزارش
اطلاعات بیشتر در مورد طراحی تحقیق در خلاصه گزارش تحقیقات طبیعت مرتبط با این مقاله موجود است.

در دسترس بودن داده ها
یک مجموعه داده شناسایی نشده کافی برای بازتولید نتایج اصلی در صورت درخواست معقول از نویسنده مربوطه در دسترس است. مجموعه داده اصلی مطالعه حاوی اطلاعات بهداشتی محافظت شده است و قابل توزیع نیست.

References

1. Eckart, A. et al. Combination of the National Early Warning Score (NEWS) and inflammatory biomarkers for early risk stratification in emergency department patients: results of a multinational, observational study. BMJ Open 9, e024636 (2019).Article PubMed PubMed Central Google Scholar 
2. Mitsunaga, T. et al. Comparison of the National Early Warning Score (NEWS) and the Modified Early Warning Score (MEWS) for predicting admission and in-hospital mortality in elderly patients in the pre-hospital setting and in the emergency department. PeerJ 7, e6947 (2019).Article PubMed PubMed Central Google Scholar 
3. Bilben, B., Grandal, L. & Søvik, S. National Early Warning Score (NEWS) as an emergency department predictor of disease severity and 90-day survival in the acutely dyspneic patient – a prospective observational study. Scand. J. Trauma Resusc. Emerg. Med. 24, 80 (2016).Article PubMed PubMed Central Google Scholar 
4. Dellinger, R. P. et al. Surviving Sepsis Campaign: international guidelines for management of severe sepsis and septic shock: 2008. Crit. Care Med. 36, 296–327 (2008).Article PubMed Google Scholar 
5. Adams, H. P. et al. Guidelines for the Early Management of Adults With Ischemic Stroke. Stroke 38, 1655–1711 (2007).Article PubMed Google Scholar 
6. Peberdy, M. A. et al. Part 9: post-cardiac arrest care: 2010 American Heart Association Guidelines for Cardiopulmonary Resuscitation and Emergency Cardiovascular Care. Circulation 122, S768–S786 (2010).Article PubMed Google Scholar 
7. Yang, I. A. et al. COPD-X Australian and New Zealand guidelines for the diagnosis and management of chronic obstructive pulmonary disease: 2017 update. Med. J. Aust. 207, 436–442 (2017).Article PubMed Google Scholar 
8. Considine, J., Jones, D. & Bellomo, R. Emergency department rapid response systems: the case for a standardized approach to deteriorating patients. Eur. J. Emerg. Med. 20, 375 (2013).Article PubMed Google Scholar 
9. Kennedy, M., Joyce, N., Howell, M. D., Lawrence Mottley, J. & Shapiro, N. I. Identifying Infected Emergency Department Patients Admitted to the Hospital Ward at Risk of Clinical Deterioration and Intensive Care Unit Transfer. Acad. Emerg. Med 17, 1080 (2010).Article PubMed PubMed Central Google Scholar 
10. Considine, J., Fry, M., Curtis, K. & Shaban, R. Z. Systems for recognition and response to deteriorating emergency department patients: a scoping review. Scand. J. Trauma Resusc. Emerg. Med. 29, 69 (2021).Article PubMed PubMed Central Google Scholar 
11. Lambe, K., Currey, J. & Considine, J. Frequency of vital sign assessment and clinical deterioration in an Australian emergency department. Australas. Emerg. Nurs. J. 19, 217–222 (2016).Article PubMed Google Scholar 
12. Scott, B. M., Considine, J. & Botti, M. Unreported clinical deterioration in emergency department patients: a point prevalence study. Australas. Emerg. Nurs. J. 18, 33–41 (2015).Article PubMed Google Scholar 
13. Levin, N. et al. Failure of vital sign normalization is more strongly associated than single measures with mortality and outcomes. Am. J. Emerg. Med. 38, 2516–2523 (2020).