Assessment of sedation level classifier in ICU using heart rate variability

Rationale Sedation and its management is still today a serious topic for critically ill patients hospitalized in the intensive care units (ICU). An objective method based on quantitative physiology to assess the sedation levels could be very useful to prevent under and over-sedation and to manage drugs in a more effective way. Objectives This works aims to the development of an automatic method able to assess the sedation level for critically ill patients using heart rate variability (HRV). Material and methods From 92 patients involved in our study, we retrieved over 23000 hours of electrocardiogram (ECG), which is routinely performed in the ICU. All the subjects were sedated during their hospitalization and mechanically ventilated. The assessment of the sedation level was based on the Richmond agitation-sedation scale (RASS), which has been grouped in four classes: “agitated” (RASS ≥ 1), “lightly sedated” (-2 ≤ RASS ≤ 0), “deeply sedated” (RASS = -3 or RASS = -4) and “comatose” (RASS = -5). We devised an automatic procedure to extract reliable inter-beat intervals (RR) from noisy pathological ECG, and we applied standard HRV analysis to extract 26 features. We investigated the relationship between our features and sedation levels. We trained several classifiers with different methods, cross-validation techniques, time windows and levels of noise, aiming to define proper intervals and features that could be linked to the sedation classes. Of note, different systems of feature selection have been exploited to improve the performances. Main results The automatic extraction procedure based on our novel noise parameter was able to successfully process and clean the 65% of the examined 23056 (15, 30, 45 and 60 minutes long) time windows, comprising 70 patients out of 92. The 26 extracted features shows that autonomic nervous system (ANS) activity changes due to drug and pathological state of the patients. Results also show a correlation between presence/absence of drugs and RASS in patients where sedatives and analgesics were prescribed. Of the saved data, the 57% has been used for the classification and testing steps: we obtained four-category classifiers with a maximum accuracy of 46% (AUC = 0.7). In order to improve this result, we tried several binary classifiers between “light sedation” and “deep sedation”, obtaining a maximum accuracy of 78% (AUC = 0.84). We tested several methods of feature selection to further enhance the outcome, and the final classifiers reached a 76% of averaged accuracy (AUC = 0.82). Conclusions We developed a new fully-automatic ECG analysis system correlated with the sedation measure built on real ICU data. According to the classifier performance, it can be stated that it represents an improvement from the tools already available in literature (accuracy: 78% and 67% for the proposed method and previous algorithms, respectively). In particular, results indicate that classification can be based just on a few HRV features, which contain the most discriminant information in the sedation analysis. Furthermore, our features yield novel insights into how ANS dynamics behave with alteration in the sedation state as well as drugs in the ICU. Differences we have shown in the RASS measures between presence or absence of drugs are encouraging and could lead to the development of a more specific classifier, which would include sedatives administration and pharmacokinetics models. Of note, the final algorithm can be effortlessly implemented in ICU monitors, able to provide a real-time assessment of the sedation level and set and alert for the ICU medical staff in case of under or over sedation.

Motivazione Ancora oggi la sedazione e la sua gestione è un problema rischioso per pazienti critici ricoverati in terapia intensiva. Un metodo oggettivo e basato su parametri fisiologici per determinare il livello di sedazione potrebbe essere molto utile, per prevenire casi di sovra e sotto dosaggio e per gestire in modo più efficace i sedativi. Obiettivi Lo sviluppo di un metodo automatico in grado di determinare il livello di sedazione per pazienti in condizioni critiche usando la variabilità cardiaca. Materiali e metodi Dai 92 pazienti partecipanti allo studio abbiamo ottenuto più di 23000 ore di elettrocardiogramma (ECG), che viene eseguito di routine nel reparto di terapia intensiva. Tutti i soggetti sono stati sedati e ventilati meccanicamente durante il loro ricovero. La valutazione del livello di sedazione è stata basata sulla scala di agitazione-sedazione di Richmond (RASS), che è stata raggruppata in quattro classi: “agitato” (RASS ≥ 1), “leggermente sedato” (-2 ≤ RASS ≤ 0), “profondamente sedato” (RASS = -3 or RASS = -4) e “comatoso” (RASS = -5). Abbiamo sviluppato una procedura automatica per estrarre intervalli battito-battito (RR) affidabili da ECG rumorosi e patologici ed abbiamo applicato la analisi standard della variabilità cardiaca per estrarre 26 parametri. Abbiamo ricercato la relazione tra i nostri parametri e i livelli di sedazione. Sono stati formati più classificatori con diversi metodi, tecniche di cross-validazione, finestre temporali e livelli di rumore, cercando di definire intervalli e parametri che potessero essere collegati con le classi di sedazione. In aggiunta, abbiamo sfruttato diverse tecniche di selezione delle caratteristiche per migliorare le performance. Risultati principali La procedura automatica di estrazione basata sul nostro nuovo parametro di stima del rumore è stata in grado di esaminare e pulire il 65% delle 23056 finestre temporali esaminate (di 15, 30, 45 e 60 minuti), corrispondenti a 70 pazienti su 92. I 26 parametri estratti mostrano che l’attività del sistema nervoso autonomo (ANS) cambia per i farmaci e per lo stato patologico dei pazienti. I risultati inoltre mostrano una correlazione tra presenza/assenza di farmaci e RASS nei pazienti a cui sono stati somministrati sedativi e analgesici. Il 57% dei dati salvati è stato usato per le fasi di classificazione e di test: abbiamo ottenuto dei classificatori a quattro categorie con una accuratezza massima del 46% (AUC = 0.7). Nell’ottica di migliorare questo risultato, abbiamo provato svariati classificatori binari tra “sedazione leggera” e “sedazione profonda”, ottenendo un’accuratezza massima del 78% (AUC = 0.84). Abbiamo testato inoltre diversi metodi di selezione delle caratteristiche per affinare ulteriormente la performance e il classificatore finale ha raggiunto un’accuratezza media del 76% (AUC = 0.82). Conclusioni Abbiamo sviluppato un sistema di analisi del segnale ECG completamente automatico, correlato con le misure di sedazione e da dati reali presi dal reparto di terapia intensiva. La performance finale ha migliorato il risultato precedente trovato in letteratura (78% da 67%). In particolare, i risultati indicano che la classificazione può essere basata solo su pochi parametri dalla variabilità cardiaca, i quali racchiudono la maggior parte di informazione discriminante per l’analisi di sedazione. Inoltre i nostri parametri portano a una nuova visione su come le dinamiche autonomiche si comportano con alterazioni nello stato di sedazione, come per esempio da farmaci in terapia intensiva. Le differenze che abbiamo mostrato nei valori di RASS tra la presenza o l’assenza di farmaci sono incoraggianti e potrebbero portare allo sviluppo di un classificatore più specifico, il quale potrebbe includere nella formazione le prescrizioni di sedativi e dei modelli farmacocinetici. In aggiunta, l’algoritmo finale potrebbe essere implementato senza particolari sforzi nei monitor dei letti di terapia intensiva, capaci di fornire una valutazione istantanea del livello di sedazione e impostare un allarme per lo staff medico nel caso di sotto o sovradosaggio.