Patient management assisted by a neural network reduces mortality in an intermediate care unit

• Sarah Heili-Frades ^[1] ; Pablo Minguez ^[2] ; Ignacio Mahillo Fernández ^[3] ; Luis Jiménez Hiscock ^[4] ; Arnoldo Santos ^[5] ; Daniel Heili Frades ^[6] ; María del Pilar Carballosa de Miguel ^[1] ; Itziar Fernández Ormaechea ^[1] ; Laura Álvarez Suárez ^[1] ; Alba Naya Prieto ^[1] ; Nicolás González Mangado ^[1] ; Germán Peces-Barba Romero ^[1]
  1. [1] Intermediate Respiratory Care Unit, IIS-Fundación Jiménez Díaz Quirón Salud, Madrid
  2. [2] Genetics and Genomics Department, IIS-Fundación Jiménez Díaz, Madrid
  3. [3] Department of Biostatistics and Epidemiology, IIS-Fundación Jiménez Díaz UAM, Madrid
  4. [4] Thoracic Surgery Department, Sanchinarro University Hospital
  5. [5] ITC Ingeniería y Técnicas Clínicas, CIBER de Enfermedades Respiratorias (CIBERES), Madrid
  6. [6] Civil Engineering, Soletanche-Bachy, Paris

  Mostrar afiliaciones +
• Localización: Archivos de bronconeumología: Organo oficial de la Sociedad Española de Neumología y Cirugía Torácica SEPAR y la Asociación Latinoamericana de Tórax ( ALAT ), ISSN 0300-2896, Vol. 56, Nº. 9, 2020, págs. 564-570
• Idioma: inglés
• Títulos paralelos:
  • El manejo del paciente asistido por una red neuronal disminuye la mortalidad en una unidad de cuidados intermedios
• Texto completo no disponible (Saber más ...)
• Resumen
  • español

    Introducción La predicción del riesgo de mortalidad de los pacientes en la unidad de cuidados respiratorios intermedios (UCRI) puede facilitar un tratamiento óptimo en pacientes de alto riesgo. Si bien las unidades de cuidados intensivos (UCI) tienen una experiencia a largo plazo en el uso de algoritmos para este propósito, debido a las características especiales de las UCRI, no se pueden aplicar las mismas estrategias. El objetivo de este estudio es desarrollar una herramienta de predicción de mortalidad específica para la UCRI utilizando métodos de aprendizaje automático.

    Métodos Se registraron los signos vitales de 1.966 pacientes ingresados entre 2007 y 2017 en la UCRI del Hospital Universitario de la Fundación Jiménez Díaz. Se utilizó una red neuronal para seleccionar las variables que mejor predijeran el estado de mortalidad. La regresión logística multivariante nos proporcionó los puntos de corte que discriminaban mejor el estado de la mortalidad para cada uno de los parámetros. Se aplicó una nueva guía para la evaluación de riesgos, y se registró la mortalidad durante un año.

    Resultados Nuestro algoritmo muestra que la trombocitopenia, la acidosis metabólica, la anemia, la taquipnea, la edad, los niveles de sodio, la hipoxemia, la leucocitopenia y la hipercalemia son los parámetros más relevantes asociados con la mortalidad. En el primer año con este escenario de decisión se mostró una disminución en la tasa de fracaso de un 50%.

    Conclusiones Hemos generado un modelo de red neuronal capaz de identificar y clasificar predictores de mortalidad en la UCRI de un hospital general. Combinado con el análisis de regresión multivariante, nos ha proporcionado una herramienta útil para la monitorización en tiempo real de pacientes para detectar riesgos de mortalidad específicos. El algoritmo general se puede modificar a escala para cualquier tipo de unidad, lo que ofrecerá resultados personalizados, y su precisión aumentará con el tiempo, según se incluyan más pacientes en las cohortes.

  • English

    Introduction Mortality risk prediction for Intermediate Respiratory Care Unit's (IRCU) patients can facilitate optimal treatment in high-risk patients. While Intensive Care Units (ICUs) have a long term experience in using algorithms for this purpose, due to the special features of the IRCUs, the same strategics are not applicable. The aim of this study is to develop an IRCU specific mortality predictor tool using machine learning methods.

    Methods Vital signs of patients were recorded from 1966 patients admitted from 2007 to 2017 in the Jiménez Díaz Foundation University Hospital's IRCU. A neural network was used to select the variables that better predict mortality status. Multivariate logistic regression provided us cut-off points that best discriminated the mortality status for each of the parameters. A new guideline for risk assessment was applied and mortality was recorded during one year.

    Results Our algorithm shows that thrombocytopenia, metabolic acidosis, anemia, tachypnea, age, sodium levels, hypoxemia, leukocytopenia and hyperkalemia are the most relevant parameters associated with mortality. First year with this decision scene showed a decrease in failure rate of a 50%.

    Conclusions We have generated a neural network model capable of identifying and classifying mortality predictors in the IRCU of a general hospital. Combined with multivariate regression analysis, it has provided us with an useful tool for the real-time monitoring of patients to detect specific mortality risks. The overall algorithm can be scaled to any type of unit offering personalized results and will increase accuracy over time when more patients are included to the cohorts.