Modelamiento del espacio de signos vitales para detectar el deterioro de los pacientes en una unidad de cuidados intensivos

Abstract

Resumen En el campo de la monitorización continua de los signos vitales en entornos de cuidados intensivos se ha observado que los signos de alerta temprana "de un deterioro fisiológico inminente” pueden no ser detectados a tiempo, hecho que se agrava no solo por la limitación de los recursos médicos, sino también por el "diluvio de datos" causado por la adquisición de información en pacientes cada vez más complejos durante la atención de rutina. El objetivo de este estudio es desarrollar un modelo probabilístico para predecir los episodios clínicos futuros de un paciente utilizando valores de signos vitales observados antes de un evento clínico. Los signos vitales (por ejemplo, frecuencia cardíaca, presión arterial) se utilizan para controlar las funciones fisiológicas de un paciente y sus cambios simultáneos indican las transiciones entre los estados de salud del paciente. Si tales cambios son anormales, puede conducir a un deterioro fisiológico grave. Se utilizó la metodología CRISP-DM (CRoss-Industry Standard Process for Data Mining) como proceso de minería de datos y luego utilizamos cadenas de Márkov para identificar los estados clínicos por los que pasa el paciente. Después, se aplicó un enfoque basado en un modelo oculto de Márkov (Hidden Márkov Model, HMM) para la clasificación y predicción del deterioro de un paciente calculando la probabilidad de estados clínicos futuros. Ambos modelos de aprendizaje fueron entrenados y evaluados utilizando seis bioseñales de 90 pacientes para un total de 94.678 instancias, recolectadas de una base de datos de pacientes reales que se encontraban en la Unidad de Cuidados Intensivos Pediátricos del Hospital Militar Central de la ciudad de Bogotá, Colombia. La técnica propuesta basada en el seguimiento de múltiples variables fisiológicas mostró resultados prometedores en la identificación precoz del deterioro de los pacientes críticos. (Texto tomado de la fuente)

In the field of continuous vital-sign monitoring in critical care settings, it has been observed that the “early warning signs" of impending physiological deterioration can fail to be detected timely and sometimes by resource constrained clinical staff. This effect may be escalated by the “data deluge" caused by acquisition of more complex patient data during routine care. The objective of this study is to develop a probabilistic model for predicting the future clinical episodes of a patient using observed vital sign values prior to a clinical event. Vital signs (e.g., heart rate, blood pressure) are used to monitor a patient's physiological functions and their simultaneous changes indicate transitions between patient's health states. If such changes are abnormal then it may lead to serious physiological deterioration. The CRISP-DM (CRoss-Industry Standard Process for Data Mining) methodology was used as a data mining process and then we used Márkov chains to identify the clinical states through which the patient passes. Then, a Hidden Márkov model (HMM) based approach was applied for classification and prediction of patient's deterioration by computing the probability of future clinical states. Both learning models were trained and evaluated using six vital signs data from 94,678 records from 90 patients, collected from the database of real patients who were in the Pediatric Intensive Care Unit of the Central Military Hospital in the city of Bogota, Colombia. The proposed technique based on monitoring multiple physiological variables showed promising results in early identifying the deterioration of critically ill patients. (Texto tomado de la fuente)