Characterization and early prediction of sepsis by use of a comprehensive paradigm for modeling and tracking of cardiovascular dynamics in ICU

Sepsis is one of the major causes of morbidity and mortality in critically ill patients and represents one of the most expensive healthcare burdens in the USA and Europe. This work’s objective was to develop an algorithm able to identify sepsis in the first hours after ICU admission and to evaluate and quantify autonomic measures in septic patients. Additionally, a toolbox for ECG and ABP waveforms processing was developed in order to quickly collect data for further analysis. Clinical data and waveforms of 1015 different subjects were collected from the MIMIC-III database. The study included demographics, laboratory measures, clinical procedures, and measurements extracted from patients’ waveforms, including closed-loop gain measurements and time-varying spectral estimates. The best result in the identification problem is obtained with an XGBoost classifier, with a prior feature selection process carried out by Genetic Algorithm. Results report AUROC=0.85, AUPRC=0.83, accuracy=0.78, sensitivity=0.74, specificity=0.81, F1-score=0.72 in the test set, using both clinical and waveform-based features. Characterization was performed excluding patients with administrations, mechanical ventilation, and diabetes. Results show a reduction of the autonomic activity and its influence on the vascular tone [RRLF(p=0.028), RRHF(p=0.022), RRTOT(p =0.036), BPLF(p =0.006), BPHF(p=0.002), BPTOT(p=0.008)], a reduction of the linear dependence between RR and SBP time series [CRLF(p=0.006), CRHF(p=0.004), CRTOT(p=0.013), COHLF(p=0.03), COHHF(p=0.009), COHTOT(p=0.01)], a drop in variability and information content [s2 (p=0.005), RMSSD(p=0.022), SampEn(p=0.022)]. The results suggest that proper algorithms could help clinicians in the early identification of sepsis and that autonomic dysfunctions manifest with the development of such pathology.

La sepsi è una delle principali cause di morbilità e mortalità nei pazienti critici, e rappresenta uno degli oneri sanitari più costosi negli USA e in Europa. Questo lavoro ha l’obbiettivo di sviluppare un algoritmo per l’identificazione della sepsi nelle prime ore di terapia intensiva, e di valutare e quantificare le misure autonomiche nei pazienti settici. Inoltre, è stato sviluppato un pacchetto di algoritmi per l’elaborazione di forme d’onda ECG e ABP, al fine di raccogliere velocemente dati per le successive analisi. Dati clinici e forme d’onda di 1015 soggetti differenti sono stati estratti dal database MIMIC-III. Nello studio sono stati inclusi dati demografici, misure di laboratorio, procedure cliniche, e misure estratte dalle forme d’onda dei pazienti, incluse misure dei guadagni ad anello chiuso e stime spettrali tempo varianti. Il miglior risultato nel problema di identificazione è stato ottenuto con un classificatore XGBoost, con un precedente processo di selezione delle variabili effettuato mediante algoritmo genetico. I risultati consistono in AUROC=0.85, AUPRC=0.83, accuratezza=0.78, sensitività=0.74, specificità=0.81, F1-score=0.72 nel set di test, utilizzando sia variabili cliniche sia basate sulle forme d’onda. La caratterizzazione è stata eseguita escludendo i pazienti con somministrazioni, ventilazione meccanica, e diabete. I risultati mostrano una riduzione dell’attività autonomica e della sua influenza sul tono vascolare [RRLF(p=0.028), RRHF(p=0.022), RRTOT(p =0.036), BPLF(p =0.006), BPHF(p=0.002), BPTOT(p=0.008)], una riduzione della dipendenza lineare tra le serie temporali RR e SBP [CRLF(p=0.006), CRHF(p=0.004), CRTOT(p=0.013), COHLF(p=0.03), COHHF(p=0.009), COHTOT(p=0.01)], ed un calo della variabilità e del contenuto informativo [s2 (p=0.005), RMSSD(p=0.022), SampEn(p=0.022)]. I risultati suggeriscono che algoritmi adeguati potrebbero aiutare i medici nell’identificazione precoce della sepsi e che disfunzioni autonomiche si manifestano con lo sviluppo di tale patologia.