Predictive Models for Identifying Clinical Deterioration

Problemstilling og mål: Forudsigelse af forværring under indlæggelse på akutmodtagelsen er et fascinerende emne såvel som et svært og komplekst problem. Vitale værdier er blandtde vigtigste parametre der anvendes til identifikation af risikopatienter, og mange bestræbelser på at muliggøre tidligere opdagelse af risikopatienter er blevet gjort på dette område, men ingen specifik model har været generelt anvendeligt og er blevet integreret ind i klinisk daglig praksis. Årsagerne er mange og inkluderer flere alvorlige barrierer, som ikke er undersøgt endnu. Derfor går vi i dette forskningsprojekt ud over den traditionelle tilgang, og ser på problemet fra nye og anderledes vinkler. I stedet for blot at se på grænseværdier og enkelt målinger for vitale værdier, får vi mere præcise indsigter om de forværrede patienter og deres kendetegn ved at bruge kontinuerlig overvågning, tidsserieanalyse og Machine Learning (ML) teknikker.

Forskningsspørgsmål: Vi formulerer vores forskningsspørgsmål som:
RQ1. I betragtning af patienternes sygdomsscore, hvordan kan vi forudsige deres forløb ved hjælp af et adaptivt realtidssystem?
RQ2. Hvad er de rigtige teknikker til at håndtere dataudfordringer såsom manglende værdier og ubalancerede datasæt? Og hvordan påvirker disse teknikker ydeevnen af prædiktive modeller? Er der en sammenhæng mellem manglende værdier og klinisk forringelse? 
RQ3. I betragtning af tidsmæssige afhængigheder, hvilken yderligere information kan vi få fra patienters tilstand under indlæggelse? 
RQ4. I betragtning af tidsmæssige afhængigheder, hvad er de farlige mønstre, der sker ved forværring af patienters vitale tegn, før en uønsket hændelse? 
RQ5. Er der en sammenhæng mellem klinisk forværring og indlæggelseslængde som klinisk endepunkt?

Metoder: Action Design Research (ADR) bruges som forskningsmetodologi for dette ph.d.- projekt. ADR har fire hovedfaser og syv principper, og ud fra disse stadier og principper fastlægges forskellige opgaver på hvert trin. Vi anvender denne metodologi vedrørende vores forskningsspørgsmål, mål, roller og ansvar i vores arbejde. Disse stadier er (1) problemformulering, (2) opbygning, intervention og evaluering, (3) refleksion og læring og (4) formalisering af læring.


Rammer: Dette projekt er tværfaglig forskning i samarbejde med forskere fra Center for Sundhedsinformatik og Teknologi på Syddansk Universitet og Akutafdelingen på Odense Universitetshospital.  

Resultater: To datasæt fra to danske hospitaler er indsamlet under projektet, og seks studier er designet til at identificere forværrede patienter og deres karakteristika. I det første trin gennemfører vi en omfattende systematisk litteraturgennemgang for at kortlægge området og identificere åbne områder indenfor feltet. Baseret på denne gennemgang fremsætter vi otte anbefalinger, der kan føre til udvikling af robuste prædiktive modeller i fremtiden. I næste trin bruges tidsserieanalyse til at introducere nye funktioner, der kan integreres i scoringssystemer og give et mere præcist billede af patienters tilstand. Efter dette trin udvikler vi hybridmodeller bestående af ML og autoregressive modeller for at forudsige nær fremtidig status for hver patient. I det næste trin evaluerer vi hypoteserne om sammenhæng mellem kliniske endemål og viser, hvordan data for opholdslængde (LOS) kan bruges til at stratificere patienter med risiko for klinisk forværring. I dette trin demonstrerer vi også, hvordan kvaliteten af data kan påvirke ydeevnen af ML-modeller. Endelig, i den sidste undersøgelse, udvikler vi et adaptivt system med evnen til visualisering og fortolkning baseret på shapelets mining og ensemble learning, der kan analysere vitale værdi serier og identificere de lokale mønstre, der er stærkt forbundet med klinisk forringelse. 

Konklusion: Anvendelighed, gennemsigtighed og fortolkning er blandt vores hovedmål i denne forskning. Disse aspekter hjælper os med at komme tættere på det endelige mål inden for dette forskningsfelt: at integrere ML-baserede modeller i klinisk praksis. Vi identificerer de forskningshuller og barrierer, der forhindrer forskere i at nå dette mål i denne forskning. Derfor er vi opmærksomme på nogle kriterier som tidskompleksitet og optimering samt visualiseringsevne for modeller, som er vigtige for klinikere. Vi introducerer også nye funktioner baseret på patienters forløb under indlæggelsen, som kan bruges i scoringssystemer og giver klinikere mere præcis indsigt i patienternes forhold.