מאמר מחקר

פיתוח ואימות חיצוני של יישום מבוסס רשת לחיזוי ARDS הקשור לדלקת ריאות

DOI:

10.3791/69738

⸱

6 בינואר 2026

 ,  , 
1Department of Pulmonary and Critical Care Medicine, Beijing Anzhen Hospital of Capital Medical University, 2Beijing Institute of Heart, Lung and Blood Vessel Diseases

במאמר זה

סיכום

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מחקר זה שואף לפתח ולאמת חיצונית מערכת מבוססת רשת המשלבת מודלים של למידת מכונה לאבחון מוקדם ופנוטיפינג קליני של ARDS הקשור לדלקת ריאות, במטרה להקל על טיפול מדויק.

תקציר

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

תסמונת מצוקה נשימתית חריפה (ARDS) היא מחלה הטרוגנית מאוד עם תופעות קליניות העלולות לחפוף לדלקת ריאות חמורה, מה שמציב אתגרים להבחנה מדויקת. לכן, יש צורך דחוף בחיזוי מוקדם וקיבוץ מהיר של תת-סוגים של חולי ARDS ליד המיטה. מחקר זה שואף לפתח מערכת מבוססת רשת, הכוללת מודלים מאומתים של אבחון מוקדם ליד מיטת המטופל וסיווג תת-קבוצות קליניים, לחיזוי התפתחות ופנוטיפים של ARDS הקשור לדלקת ריאות. מודלים אבחנתיים ותת-קבוצות פותחו ואומצו משני מאגרי המידע הגדולים, Medical Information Mart for Intensive Care IV (MIMIC-IV) ויחידת טיפול נמרץ טלה-רפואי (eICU), ושולבו במערכת חיזוי מבוססת רשת. נתונים ממטופלים עם דלקת ריאות שאושפזו במשך יותר מ-24 שעות בין 2008 ל-2019 נותחו. קבוצת נגזרת MIMIC-IV כללה 24,987 מטופלים עם דלקת ריאות (14,121 עם ARDS הקשור לדלקת ריאות); קבוצת האימות ל-eICU כללה 20,676 מטופלים עם דלקת ריאות (9946 עם ARDS הקשור לדלקת ריאות). באבחון, שיטת ההצטברות של למידת מכונה הציגה את הביצועים הטובים ביותר עם AUC של 0.919, דיוק של 70.00%, דיוק של 69.88% וזכירה של 82.27% בקבוצת הגזירה MIMIC-IV. ה-AUC, הדיוק, הדיוק והזיכרון של קבוצת אימות ה-eICU היו 0.915, 70.87%, 69.70% ו-69.70% בהתאמה. ARDS הקשור לדלקת ריאות סווג לשלושה פנוטיפים קליניים עם מאפיינים ותוצאות קליניים שונים, שכל אחד מהם הגיב בצורה שונה לטיפול. בקרב מטופלים באשכולות 0 ו-1, שיעורי התמותה באשפוז היו גבוהים יותר בקרב אלו שקיבלו טיפול מוקדם בקורטיקוסטרואידים מאשר בקרב אלו שלא קיבלו זאת, בעוד שבקרב מטופלים באשכול 2, שיעור התמותה בבית החולים היה נמוך יותר בקרב אלו שקיבלו קורטיקוסטרואידים מאשר בקרב אלו שלא קיבלו זאת. ביצענו שינוי רשת של חיזוי האבחנה וסיווג תת-הקבוצה הקלינית של ARDS הקשור לדלקת ריאות. המודלים המקוונים שלנו לאבחון מוקדם ליד מיטת המטופל וסיווג תת-קבוצות קליניים של ARDS הקשור לדלקת ריאות עשויים לסייע לרופאים באבחון וטיפול במחלה ולקדם טיפול מדויק אישי.

מבוא

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

כשל נשימתי חריפה, במיוחד תסמונת מצוקה נשימתית חריפה (ARDS) לאחר זיהום ריאות, היא בעיה נפוצה והרסנית בקרב חולים במצב קריטי. מחקרים הראו כי השכיחות של ARDS גבוהה עד 10% בקרב מטופלים ביחידת טיפול נמרץ (ICU), ושיעור התמותה הוא כ-40%2,3. דלקת ריאות חמורה נחשבת באופן נרחב לגורם העיקרי ל-ARDS4. מכיוון שהתסמינים הקליניים של דלקת ריאות חמורה ו-ARDS דומים, לעיתים קרובות קשה להבחין בין ARDS לדלקת ריאות חמורה. לכן, חיזוי מוקדם של התפתחות ARDS במקרים של דלקת ריאות עשוי להפחית את שכיחות ה-ARDS ואת שיעורי התמותה5. בנוסף, מכיוון ש-ARDS היא מחלה הטרוגניתמאוד 6, סיווג מוקדם ונכון של תת-קבוצות של ARDS יכול לאפשר רפואה מדויקת. סיווג כזה הוא גם אחד הכיוונים המרכזיים במחקר על מחלות קריטיות נשימתיות ברחבי העולם.7, המטרה היא לשפר את יעילות ההתערבות הממוקדת של תת-קבוצות.

נכון להיום, גורמי הסיכון העצמאיים ל-ARDS נחקרו בהרחבה8, אך מעטים התמקדו בחיזוי ARDS בחולי דלקת ריאות. יתרה מזאת, לא נערכו מחקרים על פנוטיפים קליניים ספציפיים של ARDS הקשור לדלקת ריאות; רוב מחקרי הפנוטיפ התמקדו בכל אוכלוסיית החולים עם ARDS. Calfee ואח' סיווגו את ARDS לפנוטיפים היפר-דלקתיים והיפודלקתיים. כדי להגדיר את הפנוטיפים הביולוגיים הללו, יש להשתמש בסמנים ביולוגיים בפלזמה כמשתנים שמגדירים באופן קטגורי, אך חקירה כזו אינה זמינה בקלות ליד המיטה. במחקר אחד, מדדים קליניים זמינים שימשו לסיווג ARDS לשלושה פנוטיפים קליניים, שגם תגובותיהם להתערבויות אקראיות הוערכו, אך המחקר התבסס על כל אוכלוסיית המטופלים עם ARDS10. הגדרת הפנוטיפים הקליניים של ARDS לפי סיבות שונות, כגון דלקת ריאות, עשויה להניב תוצאות מדויקות ומעודנות יותר.

מטרות המחקר היו להשתמש בלמידת מכונה לבניית מודל חיזוי של ARDS הקשור לדלקת ריאות עם נתונים קליניים מוקדמים; להשתמש בנתונים קליניים מוקדמים וזמינים בקלות כדי לסיווג ARDS הקשורים לדלקת ריאות לפנוטיפים קליניים ולבחון הבדלים במאפיינים הקליניים, בתוצאות ובתגובות הטיפול שלהם; וליישם את מודל החיזוי ומודל הסיווג כיישום מבוסס רשת שיסייע לרופאים באבחון וטיפול ב-ARDS הקשור לדלקת ריאות ויקדם מחקר נוסף.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מחקר זה ניגש למאגר המידע הרפואי לטיפול נמרץ IV (MIMIC-IV)11 (גרסה 1.0, PhysioNet: https://physionet.org/content/mimiciv/1.0/) ומסד הנתונים12 (גרסה 2.0, PhysioNet: https://physionet.org/content/eicu-crd/2.0/) לאחר סיום מבחן הגנת משתתפי מחקר אנושיים (מזהה רשומה: 44151052). מחקר זה נערך בהתאם לעקרונות הצהרת הלסינקי (2013), והמטופלים הסכימו לאסוף את הנתונים שלהם בשני מאגרי המידע. אישור אתי למחקר זה בוטל משום שהנתונים במאגרי ה-eICU ו-MIMIC-IV היו אנונימיים לחלוטין (לא נשמרו מזהים אישיים).

חומרים וכלים
מקורות נתונים: מאגר MIMIC-IV: גרסה 1.0, רישום גישה פתוחה למרכז יחיד הכולל 76,540 אשפוזים בטיפול נמרץ (2008-2019), נגיש דרך PhysioNet. מאגר טיפול נמרץ אלקטרוני: גרסה 2.0, מסד נתונים רב-מרכזי המכיל >200,000 רשומות רפואיות אלקטרוניות מ-335 יחידות ב-208 בתי חולים בארה"ב (2014-2015), נגיש דרך PhysioNet. סביבת תוכנה וביצוע: RapidMiner Studio: גרסה 9.10.001 (סביבת ביצוע: Windows 10 Pro 64-ביט), משמשת לבניית מודלים (סיווג/אשכולות) ובחירת תכונות; IBM SPSS Statistics: גרסה 23.0 (סביבת ביצוע: Windows 10 Pro 64-bit), משמשת לניתוח סטטיסטי ולאימפוטציה של ערכים חסרים; ערכת פיתוח Java (JDK): גרסה Java SE 8u381 (סביבת ביצוע: Windows 10 Pro 64-bit), המשמשת לפיתוח יישומי אינטרנט; תמיכה ב-IDE: Eclipse IDE 2023-09; Apache Tomcat: גרסה 9.0.85, משמשת לפריסת יישום מבוסס רשת.

עיצוב וסביבות מחקר
מושג המחקר מוצג באיור משלים 1. מחקר זה ניתח נתונים משני מקורות גדולים, Medical Information Mart for Intensive Care IV (MIMIC-IV) ומאגרי יחידת טיפול נמרץ טלה-רפואה (eICU), במטרה לבנות מודל חיזוי של ARDS הקשור לדלקת ריאות ולסווג מטופלים מושפעים לפי פנוטיפים קליניים. מחקר זה פעל לפי הנחיות הדיווח השקוף של מודל חיזוי רב-משתני עבור פרוגנוזה או אבחון אישי (TRIPOD).

דוגמאות מחקר
נתוני ההכשרה והבדיקות של מחקר זה התקבלו מ-MIMIC-IV. מקור האימות החיצוני היה מסד הנתונים של יחידות טיפול נמרץ רב-מרכזיות. מחקר זה השתמש בסיווג הבינלאומי של מחלות (גרסה תשיעית ועשירית) כדי לחלץ נתונים על חולים עם דלקת ריאות ו-ARDS הקשור לדלקת ריאות. מטופלים שאושפזו פחות מ-24 שעות הוצאו.

מנבאים
לאחר הערכת זמינות הנתונים ושיעור המשתנים הקליניים החסרים במאגרי MIMIC-IV ו-eICU, נבחרו 52 משתנים ל-ARDS הקשור לדלקת ריאות כמשתני אימון מועמדים לשימוש בלמידת מכונה, כולל מאפייני דמוגרפיה של המטופלים, ממצאי מעבדה ועשרות חומרת המחלה. מחקר זה השתמש באלגוריתם משקל-אחר-קורלציה (המבוסס על משקל המתאם בין משתנים לתוצאות) כדי לסנן מנבאים מרכזיים (משתנים שנכללים בסופו של דבר במודלים) של 52 משתני המועמדים, ולאחר מכן נבחר גורמי אשכולות תת-קבוצות מתוך המנבאים המרכזיים.

לשם כך, פתח את RapidMiner Studio, צור תהליך חדש, והוסף את אופרטור Weight by Correlation על ידי לחיצה על Process > Operators > Feature Selection > Weight by Correlation. הגדר את הפרמטר: סף מתאם = 0.04 (שמור משתנים עם משקל > 0.04). כדי לכפות על המודל לקחת בחשבון את שלבי המחלה המוקדמים ואת הזמן, התקבלו הערכים המקסימליים והמינימליים של מדדי המעבדה בתוך 24 שעות לאחר הקבלה. מכיוון שציון הפיזיולוגיה החריפה III (APSIII) לא נכלל במאגר ה-eICU, שימשו במקום זאת ציונים ב-Acute Physiology and Chronic Health Evaluation IV (Apache IV). מחקר זה ניקה את הנתונים ואינטרפולציה של הערכים החסרים באמצעות שיטת ההעברה המרובה, ותיקן את משתני הקלט בעת פיתוח מודלים לחיזוי ותת-פנוטיפ.

ניתוח סטטיסטי
פתח את SPSS 23.0, ייבא את מערך הנתונים המעובד מראש, ובחר ניתוח > סטטיסטיקות תיאוריות > לחקור. בדוק את Normality Plots עם מבחנים כדי לבצע את מבחן קולמוגורוב-סמירנוב למשתנים רציפים. משתנים מפוזרים מוטים מדווחים כחציון (טווח בין-רבעוני, IQR); משתנים קטגוריים מדווחים כספירה (אחוז, אחוז). כדי להשוות משתנים רציפים בין קבוצות, נעשה שימוש במבחן Mann-Whitney U או במבחן Kruskal-Wallis, לפי הצורך. להשוואת משתנים קטגוריים בין קבוצות, נעשה שימוש במבחן חי-בריבוע של פירסון או במבחן המדויק של פישר, לפי הצורך.

פיתוח מודלים והצגת אתרים
לצורך פיתוח מודלים, מחקר זה חילק את קבוצת הגזירה MIMIC-IV לקבוצת אימון (90% מהמדגם המלא שנבחר באקראי לפיתוח מודל וכיוונון היפרפרמטרים) וקבוצת בדיקות (10% מהמדגם המלא שנבחר באקראי לבדיקה פנימית); מחקר זה ביצע אימות חיצוני ביחידת טיפול נמרץ אלקטרוני. מחקר זה יישם למידת מכונה עם חמש שיטות: עץ החלטות, רגרסיה לוגיסטית, בייז נאיבי, ערימה (לומדים בסיסיים היו רגרסיה לוגיסטית, בייז נאיבי, ושיטות יער אקראי; הלומד הערימה היה שיטת עץ ההחלטות), ויער אקראי. עץ החלטות: לחץ על אופרטורים > תהליך > מודלים > סיווג > עץ החלטות עם אלגוריתם = C4.5, גודל עלה מינימלי = 5. לרגרסיה לוגיסטית: לחצו על Process > Operators > Modeling > Classification > רגרסיה לוגיסטית עם עוצמת רגלריזציה = 0.1, איטרציות מקסימליות = 100. ל-Naive Bayes: לחצו על Process > Operators > Modeling > Classification > Naive Bayes עם סוג ליבה = Gaussian. ליער אקראי: לחצו על Process > Operators > Modeling > Classification > יער אקראי עם מספר עצים = 100, עומק מקסימלי = 20. לערימה: לחצו על Process > Operators > Modeling > Ensemble > Stacking with Base Learners = רגרסיה לוגיסטית + בייז נאיבי + יער אקראי; Stacking learner = עץ החלטות. מחקר זה מדד את ביצועי החיזוי של המודל המפותח על ידי חישוב השטח מתחת לעקומת מאפיין הפעולה של המקלט (AUC), דיוק, דיוק ושחזור.

בבניית סיווג תת-קבוצות קליניות ARDS הקשורות לדלקת ריאות, המחקר השתמש באשכול k-means עם מנבאים מרכזיים. כדי לקבוע את המספר האופטימלי של אשכול k, נבחן ערך סטטיסטיקת הפער בגרף סטטיסטיקת הפער, שהציע את המספר האופטימלי של אשכולות. מחקר זה ניתח את המאפיינים הקליניים והתוצאות של פנוטיפים שונים, והשווינו את ההבדלים בשיעורי התמותה בבית החולים בקרב מטופלים עם אשכולות שונים שקיבלו או לא קיבלו טיפול מוקדם במינון נמוך עד בינוני.

ב-RapidMiner Studio, בחר בקובץ > ייצוא מודל ושמור את מודלי חיזוי האבחנה וסיווג תת-הקבוצות כקבצי .model. השתמש ב-JDK Java SE 8u381 וב-Eclipse IDE 2023-09 לכתיבת דפי אינטרנט בשפת Java; ייבא את קבצי ה-.model לפרויקט. מחקר זה השתמש בשפת Java כדי לפתח דף אינטרנט שבו שולבו מודל האבחון ומודל האשכול הקליני של תת-הקבוצה, והעלינו את המודל לאינטרנט.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

משתתפים
מאגר MIMIC-IV כלל נתונים מ-24,987 מטופלים עם דלקת ריאות, מתוכם 14,121 סבלו מ-ARDS הקשור לדלקת ריאות (טבלה 1). מאגר ה-eICU כלל נתונים מ-20,676 מטופלים עם דלקת ריאות, מתוכם 9946 סבלו מ-ARDS הקשור לדלקת ריאות (טבלה משלימה 1).

הקמה ואימות מודל חיזוי ARDS הקשור לדלקת ריאות
השתמשנו בנתוני קבוצת MIMIC-IV כדי לבנות מודל אבחוני ל-ARDS הקשור לדלקת ריאות. המודל אומת חיצונית עם נתונים מקבוצת ה-eICU. החולים בקבוצת MIMIC-IV חו...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

כידוע לנו, זהו מודל האבחון הראשון ומודל סיווג תת-הקבוצה הקלינית המשתמש בלמידת מכונה לדיווח על ARDS בחולי דלקת ריאות, והמחקר הגדול ביותר שמדווח על אבחון וסיווג תת-קבוצות קליניות של ARDS הקשור לדלקת ריאות. במחקר זה, נגזרנו ואימתנו שני מודלים מבוססי למידת מכונה ותרגמנו אותם ליישומים מבוססי רשת לפרקטיקה קלינית ולמחקר מאוחר יותר. בקבוצת האימות של ה-eICU, התחזית אילו מטופלים עם דלקת ריאות יפתחו ARDS הקשור לדלקת ריאות הייתה עם AUC של 0.915, דיוק של 70.87%, דיוק 69.70% ו-69.70% זיכרון. השתמשנו ג...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

המחברים מצהירים שאין להם אינטרסים מתחרים.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
אפאצ'י טומקטיסוד התוכנה של אפאצ'יגרסה 9.0.85
Eclipse IDE אקליפס2023-09
ערכת פיתוח Java  Javaגרסה Java SE 8u381 
RapidMiner Studioאלטאיר הנדסת בע"מ.גרסה 9.10.001 
סטטיסטיקות SPSSIBMגרסה 23.0 

מקורות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Brun-Buisson, C., et al. Epidemiology and outcome of acute lung injury in European intensive care units. Results from the ALIVE study. Intens Care Med. 30 (1), 51-61 (2004).
  2. Bellani, G., et al. Epidemiology, Patterns of Care, and Mortality for Patients With Acute Respiratory Distress Syndrome in Intensive Care Units in 50 Countries. JAMA. 315 (8), 788-800 (2016).
  3. Huang, X., et al. CHARDSnet group.Incidence and outcomes of acute respiratory distress syndrome in intensive care units of mainland China: a multicentre prospective longitudinal study. Crit Care. 24 (1), 515(2020).
  4. Rubenfeld, G. D., et al. Incidence and outcomes of acute lung injury. New Engl J Med. 353 (16), 1685-1693 (2005).
  5. Zhou, Y., et al. Development and validation of a deep learning-based framework for automated lung CT segmentation and acute respiratory distress syndrome prediction: a multicenter cohort study. Eclin Med. 75, 102772(2024).
  6. Thompson, B. T., Chambers, R. C., Liu, K. D. Acute Respiratory Distress Syndrome. N Engl J Med. 377 (6), 562-572 (2017).
  7. Antcliffe, D. B., et al. Patient stratification using plasma cytokines and their regulators in sepsis: relationship to outcomes, treatment effect and leucocyte transcriptomic subphenotypes. Thorax. 79 (6), 515-523 (2024).
  8. Pham, T., Rubenfeld, G. D. Fifty years of research in ARDS. The epidemiology of acute respiratory distress syndrome. A 50th birthday review. Am J Respir Crit Care Med. 195 (7), 860-870 (2017).
  9. Calfee, C. S., et al. Subphenotypes in acute respiratory distress syndrome: latent class analysis of data from two randomised controlled trials. Lancet Respir Med. 2 (8), 611-620 (2014).
  10. Liu, X., et al. Identification of distinct clinical phenotypes of acute respiratory distress syndrome with differential responses to treatment. Crit Care. 25 (1), 320(2021).
  11. Johnson, A., et al. MIMIC-IV (version 1.0). PhysioNet. , (2021).
  12. Pollard, T. J., et al. The eICU collaborative research database, a freely available multi-center database for critical care research. Sci Data. 5, 180178(2018).
  13. Al Taweraqi, N., King, R. D. Improved prediction of gene expression through integrating cell signalling models with machine learning. BMC Bioinformatics. 23 (1), 323(2022).
  14. Mo, J. P., Jia, Z. Z., Tang, Y., Yang, M., Qin, H. Establishing prediction model of community-acquired pneumonia complicated with acute respiratory distress syndrome based on artificial neural network. Zhonghua Wei Zhong Bing Ji Jiu Yi Xue. 34 (4), 367-372 (2022).
  15. Wynne, B. M., et al. Regulation of lung epithelial sodium channels by cytokines and chemokines. Front Immunol. 8, 766(2017).
  16. Comellas, A. P., et al. Insulin regulates alveolar epithelial function by inducing Na+/K+-ATPase trans-location to the plasma membrane in a process mediated by the action of Akt. J Cell Sci. 123 (pt 8), 1343-1351 (2010).
  17. ARDS Definition Task Force. Acute respiratory distress syndrome: the Berlin Definition. JAMA. 307 (23), 2526-2533 (2012).
  18. Janz, D. R., Ware, L. B. The role of red blood cells and cell-free hemoglobin in the pathogenesis of ARDS. J Intens Care. 3, 20(2015).
  19. Ruan, S. Y., et al. Exploring the heterogeneity of effects of corticosteroids on acute respiratory distress syndrome: A systematic review and meta-analysis. Crit Care. 18 (2), R63(2014).
  20. Sinha, P., et al. Latent class analysis reveals COVID-19-related acute respiratory distress syndrome subgroups with differential responses to corticosteroids. Am J Respir Crit Care Med. 204 (11), 1274-1285 (2021).
  21. Lee, K. Y. Pneumonia, Acute Respiratory Distress Syndrome, and Early Immune-Modulator Therapy. Int J Mol Sci. 18 (2), 388(2017).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

ARDSMIMIC IVeICU
הסרטון יגיע בקרוב

מאמרים קשורים