Contribution of clinical course to outcome after traumatic brain injury: mining patient trajectories from European intensive care unit data

要約

集中治療室 (ICU) の外傷性脳損傷 (TBI) 患者の進行状態を特徴付ける既存の方法は、治療を個別化するために必要なコンテキストをキャプチャしません。
医療記録に保存されているすべてのデータを統合して、TBI 患者の ICU 滞在ごとに解釈可能な疾患経過を作成するモデリング戦略を開発することを目的としました。
TBI患者のヨーロッパの前向きコホート（n = 1,550、65センター、19カ国）から、ICU滞在前またはICU滞在中に収集された1,166の変数すべてと、Glasgow Outcome Scale-Extended（GOSE）での6か月の機能的結果を抽出しました。
.
再帰型ニューラル ネットワーク モデルをトレーニングして、すべての変数 (欠損データを含む) のトークン埋め込み時系列表現を 2 時間ごとの順序 GOSE 予後にマッピングしました。
相互検証を繰り返して、キャリブレーションと、サマーズの Dxy を使用した GOSE の順序分散の説明を評価しました。
さらに、TimeSHAP を適用して、患者の軌跡の遷移に対する変数と以前のタイムポイントの寄与を計算しました。
私たちのモデリング戦略は 8 時間でキャリブレーションを達成し、全範囲の変数が順序機能結果の分散の最大 52% (95% CI: 50-54%) を説明しました。
この説明の最大 91% (90-91%) は、ICU 前の情報と入院情報から得られたものです。
ICU で収集された情報により、説明が増加しました (最大 5% [4-6%]) が、長期滞在 (>5.75 日) 患者のパフォーマンスの低下に対抗するには不十分でした。
最も寄与度の高い静的変数は、医師の予後と、特定の人口統計および CT 機能でした。
動的変数の中で、頭蓋内圧亢進症と神経機能のマーカーが最も貢献しました。
現在、静的情報が機能的転帰の説明の大部分を占めていますが、データ駆動型分析は、長期滞在患者の動的特性評価を改善するための調査手段を強調しています。

要約(オリジナル)

Existing methods to characterise the evolving condition of traumatic brain injury (TBI) patients in the intensive care unit (ICU) do not capture the context necessary for individualising treatment. We aimed to develop a modelling strategy which integrates all data stored in medical records to produce an interpretable disease course for each TBI patient’s ICU stay. From a prospective, European cohort (n=1,550, 65 centres, 19 countries) of TBI patients, we extracted all 1,166 variables collected before or during ICU stay as well as 6-month functional outcome on the Glasgow Outcome Scale-Extended (GOSE). We trained recurrent neural network models to map a token-embedded time series representation of all variables (including missing data) to an ordinal GOSE prognosis every 2 hours. With repeated cross-validation, we evaluated calibration and the explanation of ordinal variance in GOSE with Somers’ Dxy. Furthermore, we applied TimeSHAP to calculate the contribution of variables and prior timepoints towards transitions in patient trajectories. Our modelling strategy achieved calibration at 8 hours, and the full range of variables explained up to 52% (95% CI: 50-54%) of the variance in ordinal functional outcome. Up to 91% (90-91%) of this explanation was derived from pre-ICU and admission information. Information collected in the ICU increased explanation (by up to 5% [4-6%]), though not enough to counter poorer performance in longer-stay (>5.75 days) patients. Static variables with the highest contributions were physician prognoses and certain demographic and CT features. Among dynamic variables, markers of intracranial hypertension and neurological function contributed the most. Whilst static information currently accounts for the majority of functional outcome explanation, our data-driven analysis highlights investigative avenues to improve dynamic characterisation of longer-stay patients.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google