Ein Deep Learning-Framework zur Vorhersage der Dekanulation von Patienten auf extrakorporalen Membranoxygenierungsgeräten: Entwicklung und Modellanalyse-Studie

HINTERGRUND: Venovenöse extrakorporale Membranoxygenierung (VV-ECMO) ist eine Therapie für Patienten mit refraktärer Ateminsuffizienz. Die Entscheidung, jemanden von der extrakorporalen Membranoxygenierung (ECMO) zu dekaniulieren, beinhaltet oft Entwöhnungsversuche und klinische Intuition. Bis heute gibt es nur begrenzte Prognosemetriken, um die klinische Entscheidungsfindung zu unterstützen und zu bestimmen, welche Patienten erfolgreich entwöhnt und dekaniuliert werden. ZIEL: Diese Studie zielt darauf ab, Klinikern bei der Entscheidung zu helfen, einen Patienten von der ECMO zu dekaniulieren, unter Verwendung der kontinuierlichen Auswertung von VV-ECMO-Ergebnissen (CEVVO), eines auf Deep Learning basierenden Modells zur Vorhersage des Erfolgs der Dekanulation bei Patienten, die mit VV-ECMO unterstützt werden. Die laufende Metrik kann täglich angewendet werden, um Patienten in Hochrisiko- und Niedrigrisikogruppen zu kategorisieren. Anhand dieser Daten könnten Anbieter in Betracht ziehen, einen Entwöhnungsversuch basierend auf ihrem Fachwissen und CEVVO zu initiieren. METHODEN: Daten wurden von 118 Patienten gesammelt, die mit VV-ECMO am Columbia University Irving Medical Center unterstützt wurden. Mit einem auf Long Short-Term Memory basierenden Netzwerk ist CEVVO das erste Modell, das in der Lage ist, diskrete klinische Informationen mit kontinuierlichen Daten von einem ECMO-Gerät zu integrieren. Insgesamt wurden 12 Sätze von 5-fachen Kreuzvalidierungen durchgeführt, um die Leistung zu bewerten, die mithilfe der Fläche unter der Receiver Operating Characteristic-Kurve (AUROC) und der durchschnittlichen Präzision (AP) gemessen wurde. Um die vorhergesagten Werte in eine klinisch nützliche Metrik zu übersetzen, wurden die Modellergebnisse kalibriert und in Risikogruppen unterteilt, die von 0 (hohes Risiko) bis 3 (niedriges Risiko) reichen. Um die Leistungsfähigkeit von CEVVO weiter zu untersuchen, wurden 2 synthetische Datensätze unter Verwendung der Gaussian-Prozessregression erstellt. Der erste Datensatz bewahrte die langfristige Abhängigkeit des Patientendatensatzes, während der zweite dies nicht tat. ERGEBNISSE: CEVVO zeigte im Vergleich zu zeitgenössischen Modellen konsequent überlegene Klassifizierungsleistung (P<.001 und P=.04 im Vergleich zu AUROC und AP des nächsthöheren). Obwohl die prädiktive Macht des Modells von Patient zu Patient möglicherweise zu gering ist, um in eine klinische Umgebung integriert zu werden (AUROC 95% CI 0.6822-0.7055; AP 95% CI 0.8515-0.8682), zeigte das Patienteneinstufungssystem ein größeres Potenzial. Bei 72 Stunden hatte die Hochrisikogruppe eine erfolgreiche Dekanulationsrate von 58% (7/12), während die Niedrigrisikogruppe eine erfolgreiche Dekanulationsrate von 92% (11/12; P=.04) hatte. Bei 96 Stunden hatten die Hochrisiko- und Niedrigrisikogruppen eine erfolgreiche Dekanulationsrate von 54% (6/11) und 100% (9/9) respectivamente (P=.01). Wir hypothesisierten, dass die verbesserte Leistung von CEVVO auf seine Fähigkeit zurückzuführen ist, transiente zeitliche Muster effizient zu erfassen. Tatsächlich zeigte CEVVO eine verbesserte Leistung bei synthetischen Daten mit inhärenten zeitlichen Abhängigkeiten (P<.001) im Vergleich zur logistischen Regression und einem dichten neuronalen Netzwerk. SCHLUSSFOLGERUNGEN: Die Fähigkeit, große Datensätze zu interpretieren und zu integrieren, ist entscheidend für die Erstellung genauer Modelle, die Klinikern bei der Risikostratifizierung von Patienten unterstützen, die mit VV-ECMO unterstützt werden. Unser Framework könnte die zukünftige Integration von CEVVO in umfassendere Überwachungssysteme der Intensivmedizin leiten.