AI-powered network for predicting cardiac arrest through biomedical signal analysis

Out-of-hospital cardiac arrest (OHCA) is a significant public health concern with a low survival rate, showing the need for an urgent and critical shift from reactive to proactive intervention. Consumer wearable devices show promise for continuous monitoring; however, they are resource-limited, making computationally intensive analysis impractical. The objective of this thesis is to address this issue. This thesis introduces a conceptual two-stage framework to overcome these limitations, comprising a computationally efficient model for continuous vital sign screening and on-demand ECG analysis when a high risk is detected. The dataset availability limited the outcome of this research; therefore, it focuses on the development, optimization, and validation of the first stage, the vital signs-based prediction model. A Long Short-Term Memory (LSTM) network was trained and evaluated using a cohort of 181 in-hospital cardiac arrest patients and 296 control patients from the Medical Information Mart for Intensive Care IV (MIMIC-IV) database. The results showed an improved performance compared to current clinical risk stratification scores, including the Modified Early Warning Score (MEWS) and the National Early Warning Score (NEWS), as well as comparable performance to previous deep learning approaches. The key finding of this work is confirming the feasibility of deployment on consumer devices, with an AUROC and AUPRC of 0.89 and 0.77, respectively, the model showed a decline of 1.1% in AUROC and a 2.85% in AUPRC when restricted to a smartwatch-compatible feature set. Compared to both MEWS (0.49 AUPRC) and NEWS (0.39 AUPRC), the LSTM model is superior in balancing the true positives while minimizing false alarms, a key factor in eliminating alarm fatigue. The early detection of the transitional state remains a challenge, with a recall of only 0.42; however, the model showed a strong ability to identify both stable and critical patients, with a high recall of 0.98 and 0.82, respectively. These results demonstrate the feasibility of predicting cardiac arrest risk through a minimal set of vital signs with low processing demands, employing a deep learning model.

L'arresto cardiaco extraospedaliero (AECO) è un grave problema di salute pubblica con un basso tasso di sopravvivenza, che evidenzia la necessità di un cambiamento urgente e fondamentale dall'intervento reattivo a quello proattivo. I dispositivi indossabili di consumo sono promettenti per il monitoraggio continuo; tuttavia, hanno risorse limitate, rendendo impraticabile un'analisi computazionalmente intensiva. L'obiettivo di questa tesi è affrontare tale questione. La tesi introduce un quadro concettuale in due fasi per superare tali limitazioni, comprendente un modello computazionalmente efficiente per lo screening continuo dei segni vitali e l'analisi ECG su richiesta quando viene rilevato un rischio elevato. La disponibilità dei dati ha limitato i risultati di questa ricerca; pertanto, essa si concentra sullo sviluppo, l'ottimizzazione e la convalida della prima fase, ovvero il modello di previsione basato sui segni vitali. Una rete Long Short-Term Memory (LSTM) è stata addestrata e valutata utilizzando una coorte di 181 pazienti con arresto cardiaco ospedaliero e 296 pazienti di controllo provenienti dal database Medical Information Mart for Intensive Care IV (MIMIC-IV). I risultati hanno mostrato un miglioramento delle prestazioni rispetto agli attuali punteggi di stratificazione del rischio clinico, tra cui il Modified Early Warning Score (MEWS) e il National Early Warning Score (NEWS), nonché prestazioni paragonabili ai precedenti approcci di deep learning. Il risultato chiave di questo lavoro è la conferma della fattibilità dell'implementazione su dispositivi di consumo, con un AUROC e un AUPRC rispettivamente di 0,89 e 0,77; il modello ha mostrato un calo dell'1,1% nell'AUROC e del 2,85% nell'AUPRC quando limitato a un set di funzionalità compatibili con gli smartwatch. Rispetto sia al MEWS (0,49 AUPRC) che al NEWS (0,39 AUPRC), il modello LSTM è superiore nel bilanciare i veri positivi riducendo al minimo i falsi allarmi, un fattore chiave per eliminare l'affaticamento da allarme. La diagnosi precoce dello stato di transizione rimane una sfida, con un richiamo di solo 0,42; tuttavia, il modello ha mostrato una forte capacità di identificare sia i pazienti stabili che quelli critici, con un richiamo elevato rispettivamente di 0,98 e 0,82. Questi risultati dimostrano la fattibilità di prevedere il rischio di arresto cardiaco attraverso un insieme minimo di segni vitali con basse esigenze di elaborazione, utilizzando un modello di deep learning.