Prediction and characterization of acute hypotensive episodes in intensive care unit

Acute Hypotension Episodes in the Intensive Care Unit represent a severe condition that, if not treated promptly, leads to irreversible organ damage and increased probability of mortality. Therefore, it is of relevant importance if mathematical algorithms be able to provide clinician with statistical predictions on the onset of such condition. Other works addressed this issue with different methods, sometimes proposing new definition of hypotension. From those, of relevant importance are the works of Chen et al and Marzyeh Ghassemi. In 2009 Physionet even proposed a challenge on this theme. Our work start from developing methods to win the challenge to then apply those to a wider cohort of patients. In both cases we used data that can be found in MIMIC: a public database offered by Physionet.org, in which are present waveforms and clinical data of more than 4000 patients (MIMIC II) in the Intensive Care Unit of hospitals. Unlike the other works, what we present are algorithms that use information at a beat to beat level. It was necessary, therefore, to develop a peak detection logic able to find the actual data to work on. After build a large feature space, a process of feature selection made possible to select those with more predictive power to use in the classification step. Following training, our classifiers were able to stand the comparison with the winner of the challenge. The extension to a wider cohort of subjects also brought good results: the best performances were achieved with Discriminant Analysis and Classification Trees. The features used in this first analysis are relative to the blood pressure amplitude in the moments preceding hypotension. To actually express the power of the beat to beat level information, it was necessary to reduce the dimension of the cohort to those waveform that showed perfect continuity in the heart rate variability signal. On this selected cohort was possible to extract information about the baroreflex. We demonstrate here that these new informations are able to boost the classification results incrementing specificity from 0.739 to 0.796 points and sensitivity from 0.745 to 0.834.

Episodi di ipotensione acuta nell'unità di terapia intensiva rappresentano una condizione grave che, se non trattata tempestivamente, porta a danni irreversibili agli organi e maggiore probabilità di mortalità. Pertanto, è di importanza significativa avere algoritmi matematici in grado di fornire al medico previsioni sull'esordio di tale condizione. Diversi studi hanno affrontato il problema con varie metodologie, a volte proponendo nuove definizioni di ipotensione. DIi rilevante importanza sono gli studi di e. Nel 2009, Physionet ha persino indetto una Challenge sul tema. Il nostro lavoro parte dallo sviluppo di metodi per vincere la Challenge per poi applicarli ad un più ampio dataset di pazienti. In entrambi i casi abbiamo utilizzato i dati del MIMIC: un database pubblico fornito da Physionet.org, in cui sono presenti forme d'onda e dati clinici di oltre 4000 pazienti (MIMIC II) in terapia intensiva. A differenza di altri, presentiamo algoritmi che sfruttano informazione a livello battito-battito. E' stato quindi necessario sviluppare una logica di rilevamento del picco in grado di trovare i dati reali su cui lavorare. Dopo aver creato un ampio dataset, un processo di selezione delle features ha permesso di selezionare quelle con maggiore potenza predittiva da utilizzare nella fase di classificazione. Dopo il training, i nostri classificatori hanno sostenuto il confronto con il vincitore della Challenge. Anche l'estensione a una più ampio dataset di soggetti ha portato buoni risultati: le migliori prestazioni sono state ottenute con Analisi del Discriminante e Alberi di Classificazione. Le features utilizzate in questa prima analisi sono per lo più relative all'ampiezza della pressione sanguigna nei momenti precedenti all'ipotensione. Per esprimere efficacemente la potenza delle informazioni a livello battito battito, era necessario ridurre la dimensione della coorte a quelle forme d'onda che mostravano una perfetta continuità nel segnale di variazione della frequenza cardiaca. In questa coorte selezionata, è stato possibile estrarre informazioni sul baroriflesso. Dimostriamo qui che queste nuove informazioni sono in grado di aumentare i risultati della classificazione aumentando la specificità da 0,739 a 0,796 punti e la sensibilità da 0,745 a 0,834.