Frühe Vorhersage der Hospitalmortalität mittels Vitalzeichen

Die frühe Vorhersage von Krankenhaussterblichkeit ist entscheidend, da Intensivmediziner sich bemühen, effiziente medizinische Entscheidungen für schwerst kranke Patienten auf Intensivstationen zu treffen. Daher wurden verschiedene Methoden entwickelt, um dieses Problem anhand klinischer Aufzeichnungen zu lösen. Allerdings sind einige Laborergebnisse zeitintensiv und müssen verarbeitet werden. In dieser Arbeit schlagen wir eine neuartige Methode vor, um die Sterblichkeit mithilfe von Merkmalen, die aus den Herzsignalen der Patienten innerhalb der ersten Stunde nach der Aufnahme in die Intensivstation extrahiert werden, vorherzusagen. Um das Risiko vorherzusagen, wurden quantitative Merkmale basierend auf den Herzfrequenzsignalen der Intensivpatienten berechnet. Jedes Signal wird durch 12 statistische und signalbasierte Merkmale beschrieben. Die extrahierten Merkmale werden in acht Klassifikatoren eingespeist: Entscheidungsbaum, lineare Diskriminanzanalyse, logistische Regression, Support Vector Machine (SVM), Random Forest, Boosted Trees, Gaußsche SVM und K-nächste-Nachbarn (K-NN). Um Einblicke in die Leistungsfähigkeit der vorgeschlagenen Methode zu gewinnen, wurden mehrere Experimente unter Verwendung des bekannten klinischen Datensatzes Medical Information Mart for Intensive Care III (MIMIC-III) durchgeführt. Die experimentellen Ergebnisse zeigen die Fähigkeit der vorgeschlagenen Methode hinsichtlich Präzision, Recall, F1-Score und Fläche unter der Empfängerkennlinie (AUC). Der Entscheidungsbaum-Klassifikator erfüllt sowohl Genauigkeit als auch Interpretierbarkeit besser als die anderen Klassifikatoren und erzielt einen F1-Score und AUC von 0,91 und 0,93 jeweils. Dies deutet darauf hin, dass Herzfrequenzsignale zur Vorhersage der Sterblichkeit bei Patienten auf der Intensivstation verwendet werden können und eine vergleichbare Leistung wie bestehende Vorhersagemethoden erzielen, die auf hochdimensionalen Merkmalen aus klinischen Aufzeichnungen basieren, welche verarbeitet werden müssen und eventuell fehlende Informationen enthalten können.