ΠΡΟΓΝΩΣΗ ΠΡΩΙΜΗΣ ΚΑΙ ΟΨΙΜΗΣ ΘΝΗΤΟΤΗΤΑΣ ΑΣΘΕΝΩΝ ΜΕ ΚΑΡΚΙΝΟ ΠΟΥ ΝΟΣΗΛΕΥΟΝΤΑΙ ΣΕ ΜΟΝΑΔΕΣ ΕΝΤΑΤΙΚΗΣ ΘΕΡΑΠΕΙΑΣ (ΜΕΘ) ΜΕ ΤΗ ΧΡΗΣΗ «ΒΙG-DATA» ΚΑΙ ΑΛΓΟΡΙΘΜΩΝ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ

Εισαγωγή

Η νοσηλεία ασθενών με καρκίνο στις ΜΕΘ συνοδεύεται από υψηλή θνητότητα. Yπάρχοντα προγνωστικά μοντέλα αφορούν μόνο την ενδονοσοκομειακή θνητότητα βασιζόμενα σε εργαστηριακά της 1^ης ημέρας νοσηλείας, ενώ η όψιμη θνητότητα δεν είναι εύκολο να προβλεφθεί. Οι σύγχρονες ιατρικές βάσεις περιέχουν μεγάλο όγκο διαχρονικών δεδομένων που οι κλασικές στατιστικές μέθοδοι αδυνατούν να διαχειριστούν.

Σκοπός

Χρήση αυτοματοποιημένων τεχνικών μηχανικής μάθησης (autoΜL) για την πρόβλεψη της πρώιμης και όψιμης θνητότητας (m0,m1, m3, m6, m12, m>12 μήνες) ασθενών ΜΕΘ με καρκίνο.

Μέθοδος

5691 ασθενείς (>15 ετών) MEΘ με καρκίνο από τη βάση δεδομένων MIMIC-III (χρονικό διάστημα 2001-2012, διάμεση ηλικία 67 ετών). Αποκλείστηκαν DNR=358, κύηση=15. Τρεις ομάδες με βάση την έκβαση, 902 απεβίωσαν ενδονοσοκομειακά, 2659 αργότερα (διάμεσος χρόνος 1,19 έτη) και 1757 καταγράφονται ως ζωντανοί στη βάση. Συλλέχθηκαν συνολικά 1752 χαρακτηριστικά (δημογραφικά, κλινικά, εργαστηριακά, φάρμακα, επεμβάσεις, γνωστά μοντέλα πρόβλεψης, και ιατρικές σημειώσεις με μέθοδο επεξεργασίας φυσικής γλώσσας) με τα οποία χτίστηκαν τα μοντέλα πρόβλεψης στη διαδικτυακή πλατφόρμα JADBio. Δοκιμάστηκαν διαφορετικοί αλγόριθμοι με παραμετροποίηση και τη μέθοδο bootstrap bias-corrected cross-validation που δίνει μετριοπαθή αποτελέσματα.

Αποτελέσματα

O αλγόριθμος Random Forests είχε την υψηλότερη απόδοση για την πρόγνωση θνητότητας (συνολικό ΑUC= 0,83). Αναλυτικά m0 έως m>12 AUC 0.94, 0.88, 0.84, 0.78, 0.76, 0.74 αντίστοιχα. Ο αλγόριθμος Τest-budgeted Statistically Equivalent Signature, ανέδειξε τα εξής προγνωστικά χαρακτηριστικά: κλίμακα GCS, μοντέλο ΑPSIII, σήψη, συστολική αρτηριακή πίεση, RDW, αναπνευστική συχνότητα πρώτης ημέρας, sPO2, συνύπαρξη μεταστατικού καρκίνου και μεταγγίσεις ερυθρών.

Συμπεράσματα

Η πρόβλεψη της όψιμης θνητότητας στους ασθενείς ΜΕΘ με καρκίνο είναι δύσκολη. Η χρήση μεγάλων δεδομένων και autoΜL υπερτερούν των κλασσικών προγνωστικών μοντέλων. Η αναγνώριση κλινικά ερμηνεύσιμων παραγόντων μπορεί να βοηθήσει τον κλινικό ιατρό στην λήψη αποφάσεων. Ο δείκτης RDW προτείνεται ως ένας ξεχασμένος βιοδείκτης καθώς είναι γνωστή η συσχέτισή του με τη θνητότητα στις ΜΕΘ και με το στάδιο καρκίνου. Εξωτερική επιβεβαίωση σε άλλες βάσεις δεδομένων είναι απαραίτητη.