Identifizierung akuter Krankheitsphänotypen durch tiefes zeitliches Interpolieren und ein Clustering-Netzwerk basierend auf physiologischen Signaturen

Zusammenfassung Durch Clusteranalysen von frühen Vitalzeichen können einzigartige Patientenphänotypen mit unterschiedlichen pathophysiologischen Signaturen und klinischen Ergebnissen aufgedeckt werden, was die frühe klinische Entscheidungsfindung unterstützt. Die Phänotypisierung unter Verwendung früher Vitalzeichen ist herausfordernd, da Vitalzeichen typischerweise sporadisch erfasst werden. Wir haben ein neuartiges, tiefes zeitliches Interpolations- und Clustering-Netzwerk vorgeschlagen, um latente Repräsentationen aus unregelmäßig erfassten Vitalzeichen gleichzeitig zu extrahieren und Phänotypen abzuleiten. Vier verschiedene Cluster wurden identifiziert. Phänotyp A (18%) wies die höchste Prävalenz von Begleiterkrankungen auf, mit einer erhöhten Prävalenz anhaltender respiratorischer Insuffizienz, akuter Niereninjury, Sepsis und langfristiger (3-Jahres) Sterblichkeit. Die Phänotypen B (33%) und C (31%) zeigten ein diffuses Muster leichter Organfunktionsstörungen. Die günstigen klinischen Ergebnisse von Phänotyp B wurden durch die zweithöchste Rate an langfristiger Sterblichkeit gemindert. Phänotyp C hatte günstige klinische Ergebnisse. Phänotyp D (17%) zeigte frühe und anhaltende Hypotonie, eine hohe Inzidenz früher Operationen und eine erhebliche Biomarker-Inzidenz von Entzündungen. Trotz früher und schwerer Erkrankung wies Phänotyp D die zweithöchste langfristige Sterblichkeit auf. Nach Vergleich der Scores zur Beurteilung des sequentiellen Organversagens lieferten die Clusterergebnisse keine einfache Wiederholung vorheriger Schweregradbeurteilungen. Dieses Werkzeug kann Einfluss auf Triage-Entscheidungen nehmen und erhebliche Auswirkungen auf die klinische Entscheidungsunterstützung unter Zeitdruck und Unsicherheit haben.