Prédiction précoce de la mortalité hospitalière à l'aide des signaux vitaux

La prédiction précoce de la mortalité en milieu hospitalier est cruciale alors que les intensivistes s'efforcent de prendre des décisions médicales efficaces concernant les patients gravement malades hospitalisés en unités de soins intensifs. Par conséquent, diverses méthodes ont été développées pour aborder ce problème à partir des dossiers cliniques. Cependant, certains résultats d'examens de laboratoire sont longs à obtenir et nécessitent un traitement. Dans cet article, nous proposons une nouvelle méthode pour prédire la mortalité en utilisant des caractéristiques extraites des signaux cardiaques des patients au cours de la première heure après leur admission en USI. Pour évaluer le risque, des caractéristiques quantitatives ont été calculées à partir des signaux de fréquence cardiaque des patients en USI. Chaque signal est décrit par 12 caractéristiques statistiques et basées sur les signaux. Les caractéristiques extraites sont ensuite introduites dans huit classifieurs : arbre de décision, discriminante linéaire, régression logistique, machine à vecteurs de support (SVM), forêt aléatoire, arbres boostés, SVM gaussienne et plus proches voisins (K-NN). Afin d'évaluer les performances de la méthode proposée, plusieurs expériences ont été menées en utilisant le jeu de données cliniques bien connu appelé Medical Information Mart for Intensive Care III (MIMIC-III). Les résultats expérimentaux démontrent la capacité de la méthode proposée en termes de précision, rappel, score F1 et aire sous la courbe caractéristique opératoire du récepteur (AUC). Le classifieur arbre de décision offre une meilleure précision et interprétabilité que les autres classifieurs, avec un score F1 et une AUC respectivement égaux à 0,91 et 0,93. Ces résultats indiquent que les signaux de fréquence cardiaque peuvent être utilisés pour prédire la mortalité chez les patients en USI, atteignant une performance comparable à celle des prédictions existantes qui reposent sur des caractéristiques multidimensionnelles issues des dossiers cliniques nécessitant un traitement et pouvant contenir des informations manquantes.