When someone suffers from acute respiratory failure, mechanical ventilation (MV) is performed until they can breathe on their own again. The doctor checks every day whether the MV can be stopped. This screening consists of a first phase, the Readiness Testing (RT), which includes various clinical parameters. If this test is successful, 30 minutes of spontaneous breathing (SBT) is attempted. If also the SBT is passed successfully, the VM is stopped. On the contrary, if RT or SBT fails, the patient will be re-evaluated the next day. So, every day three mutually exclusive scenarios may happen: SBT will not be attempted, SBT will fail, or SBT will succeed. Our artificial intelligence model is designed to infer early in the morning which of the three scenarios will probably occur during the day, starting from the patient's clinical data, from the information collected in the previous day’s clinical diary, and from whole minute-by-minute recording history of the various parameters of the mechanical ventilator, coming from a retrospective observational multi-centrical study, conducted in Italy over a course of 27 months. Those data are processed with a deep learning approach, through a multi-source neural network topology, powered by multiple recurrent architectures. Hyper-parameters are optimized to select the purposed model through cross-validation, setting aside 36 out of 182 patients for testing final model performance over a variety of metrics, including a custom score designed to highlight clinical impact. The final AI model had an accuracy of 79% [74, 83%], a custom score of 0.01 [-0.04, 0.05], a MCC of 0.28 [0.17, 0.39], scoring better than the other comparison models, including XG Boost that was trained on daily and baseline clinical data of the previous day only, which had an accuracy of 61% [56%, 66%], a MCC of 0.14 [0.06, 0.2] and a custom score of -0.05 [-0.08, -0.01]. Overall, AI model could approximate well what is the current clinical management throughout day-by-day providing suggestions early in the morning. Moreover, there are still space to improve the model clinical utility considering additional tailored training data.

Quando un paziente soffre di insufficienza respiratoria acuta, viene praticata la ventilazione meccanica (VM) finché questa non riesce a respirare di nuovo in autonomia. Il medico di Terapia Intensiva verifica ogni giorno se la VM può essere interrotta. Questo screening consiste in una prima fase, il Readiness Test (RT), che è composta da vari parametri clinici. Se questo test ha esito positivo, si sottopone il paziente a 30 minuti di respirazione spontanea (SBT). Se anche l'SBT viene superato con successo, la VM viene interrotta. Al contrario, se l’RT o l’SBT falliscono, il paziente rimane in VM e verrà rivalutato il giorno successivo. Quindi ogni giorno possono verificarsi tre scenari mutuamente esclusivi: l’SBT non verrà tentato, l’SBT fallirà o l’SBT avrà successo (portando quindi all’estubazione del paziente). Il modello di intelligenza artificiale sviluppato, è progettato per dedurre fin dalle prime ore del mattino quale dei tre scenari si verificherà probabilmente nel corso della giornata, partendo dai dati clinici del paziente, dalle informazioni raccolte nel diario clinico dei giorni precedenti e dall'intera storia di registrazione minuto-per-minuto dei vari parametri del ventilatore meccanico, provenienti da uno studio osservazionale retrospettivo multicentrico, condotto in Italia nel corso di 27 mesi. Questi dati vengono elaborati con un approccio di Deep Learning, attraverso una topologia di rete neurale multi-sorgente, alimentata da architetture ricorrenti multiple. Gli iper-parametri sono ottimizzati per selezionare il modello desiderato attraverso la convalida incrociata, riservando 36 pazienti su 182 per testare le prestazioni finali del modello su una serie di metriche, tra cui uno score personalizzato progettato per evidenziare l'impatto clinico. Il modello di intelligenza artificiale finale mostra un'accuratezza del 79% [74, 83%], uno score personalizzato di 0,01 [-0,04, 0,05], un MCC di 0,28 [0,17, 0,39], ottenendo un punteggio migliore rispetto agli altri modelli di confronto, tra cui XG Boost, addestrato solo sui dati clinici giornalieri del giorno precedente, che ha avuto un'accuratezza del 61% [56%, 66%], un MCC di 0,14 [0,06, 0,2] e uno score personalizzato di -0,05 [-0,08, -0,01]. Complessivamente, il modello di intelligenza artificiale è in grado di approssimare bene l'attuale gestione clinica giorno per giorno, fornendo suggerimenti al mattino presto. Inoltre, c'è ancora spazio per migliorare l'utilità clinica del modello considerando ulteriori dati di addestramento personalizzati.

Artificial Intelligence for the prediction of weaning readiness outcome in a multi-centrical clinical cohort of mechanically ventilated patients

PEDOT, ANDREA
2022/2023

Abstract

When someone suffers from acute respiratory failure, mechanical ventilation (MV) is performed until they can breathe on their own again. The doctor checks every day whether the MV can be stopped. This screening consists of a first phase, the Readiness Testing (RT), which includes various clinical parameters. If this test is successful, 30 minutes of spontaneous breathing (SBT) is attempted. If also the SBT is passed successfully, the VM is stopped. On the contrary, if RT or SBT fails, the patient will be re-evaluated the next day. So, every day three mutually exclusive scenarios may happen: SBT will not be attempted, SBT will fail, or SBT will succeed. Our artificial intelligence model is designed to infer early in the morning which of the three scenarios will probably occur during the day, starting from the patient's clinical data, from the information collected in the previous day’s clinical diary, and from whole minute-by-minute recording history of the various parameters of the mechanical ventilator, coming from a retrospective observational multi-centrical study, conducted in Italy over a course of 27 months. Those data are processed with a deep learning approach, through a multi-source neural network topology, powered by multiple recurrent architectures. Hyper-parameters are optimized to select the purposed model through cross-validation, setting aside 36 out of 182 patients for testing final model performance over a variety of metrics, including a custom score designed to highlight clinical impact. The final AI model had an accuracy of 79% [74, 83%], a custom score of 0.01 [-0.04, 0.05], a MCC of 0.28 [0.17, 0.39], scoring better than the other comparison models, including XG Boost that was trained on daily and baseline clinical data of the previous day only, which had an accuracy of 61% [56%, 66%], a MCC of 0.14 [0.06, 0.2] and a custom score of -0.05 [-0.08, -0.01]. Overall, AI model could approximate well what is the current clinical management throughout day-by-day providing suggestions early in the morning. Moreover, there are still space to improve the model clinical utility considering additional tailored training data.
2022
Artificial Intelligence for the prediction of weaning readiness outcome in a multi-centrical clinical cohort of mechanically ventilated patients
Quando un paziente soffre di insufficienza respiratoria acuta, viene praticata la ventilazione meccanica (VM) finché questa non riesce a respirare di nuovo in autonomia. Il medico di Terapia Intensiva verifica ogni giorno se la VM può essere interrotta. Questo screening consiste in una prima fase, il Readiness Test (RT), che è composta da vari parametri clinici. Se questo test ha esito positivo, si sottopone il paziente a 30 minuti di respirazione spontanea (SBT). Se anche l'SBT viene superato con successo, la VM viene interrotta. Al contrario, se l’RT o l’SBT falliscono, il paziente rimane in VM e verrà rivalutato il giorno successivo. Quindi ogni giorno possono verificarsi tre scenari mutuamente esclusivi: l’SBT non verrà tentato, l’SBT fallirà o l’SBT avrà successo (portando quindi all’estubazione del paziente). Il modello di intelligenza artificiale sviluppato, è progettato per dedurre fin dalle prime ore del mattino quale dei tre scenari si verificherà probabilmente nel corso della giornata, partendo dai dati clinici del paziente, dalle informazioni raccolte nel diario clinico dei giorni precedenti e dall'intera storia di registrazione minuto-per-minuto dei vari parametri del ventilatore meccanico, provenienti da uno studio osservazionale retrospettivo multicentrico, condotto in Italia nel corso di 27 mesi. Questi dati vengono elaborati con un approccio di Deep Learning, attraverso una topologia di rete neurale multi-sorgente, alimentata da architetture ricorrenti multiple. Gli iper-parametri sono ottimizzati per selezionare il modello desiderato attraverso la convalida incrociata, riservando 36 pazienti su 182 per testare le prestazioni finali del modello su una serie di metriche, tra cui uno score personalizzato progettato per evidenziare l'impatto clinico. Il modello di intelligenza artificiale finale mostra un'accuratezza del 79% [74, 83%], uno score personalizzato di 0,01 [-0,04, 0,05], un MCC di 0,28 [0,17, 0,39], ottenendo un punteggio migliore rispetto agli altri modelli di confronto, tra cui XG Boost, addestrato solo sui dati clinici giornalieri del giorno precedente, che ha avuto un'accuratezza del 61% [56%, 66%], un MCC di 0,14 [0,06, 0,2] e uno score personalizzato di -0,05 [-0,08, -0,01]. Complessivamente, il modello di intelligenza artificiale è in grado di approssimare bene l'attuale gestione clinica giorno per giorno, fornendo suggerimenti al mattino presto. Inoltre, c'è ancora spazio per migliorare l'utilità clinica del modello considerando ulteriori dati di addestramento personalizzati.
Machine Learning
Intensive Care Unit
Decision support
Sequential Models
File in questo prodotto:
File Dimensione Formato  
Tesi_Pedot2023.pdf

accesso aperto

Dimensione 5.31 MB
Formato Adobe PDF
5.31 MB Adobe PDF Visualizza/Apri

The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12608/43980