Dans un article récent publié dans Médecine numérique Npj, les chercheurs ont utilisé les données d’électrocardiogramme (ECG) d’une vaste cohorte rétrospective pour extraire diverses mesures de la variabilité de la fréquence cardiaque (VRC).
Ces données ont été utilisées pour développer un modèle prédictif en temps réel basé sur l’apprentissage automatique (ML) pour les prédictions d’arrêt cardiaque soudain dans les milieux de soins intensifs.
L’étude a validé le modèle sur les données du registre des patients de l’unité de soins intensifs (USI) de l’hôpital universitaire national de Séoul (SNUH) en Corée du Sud entre mars 2020 et août 2022. Ils ont exclu les données des patients de moins de 18 ans et de ceux sans données ECG.
Étude: Modèle d’apprentissage automatique en temps réel pour prédire un arrêt cardiaque à l’hôpital en utilisant la variabilité de la fréquence cardiaque en soins intensifs. Crédit d’image : Roman023_photography/Shutterstock.com
Sommaire
Arrière-plan
Il y a eu des progrès dans la médecine des soins intensifs ; cependant, l’incidence des arrêts cardiaques inattendus et soudains reste élevée chez les patients admis en USI.
Les raisons d’un arrêt cardiaque à l’hôpital sont diverses ; ainsi, le développement d’un modèle de prédiction précis pour la détection en temps réel de l’arrêt cardiaque en soins intensifs et leur traitement rapide, y compris la réanimation cardio-pulmonaire (RCR) et la défibrillation précoce, est essentiel pour améliorer les résultats pour les patients.
Les modèles antérieurs utilisaient des caractéristiques cliniques extraites des dossiers médicaux électroniques (DME) pour prédire les arrêts cardiaques à l’hôpital, ce qui affichait de bonnes performances discriminatoires. Cependant, la nécessité de collecter diverses variables DME limite ces modèles.
D’autre part, les modèles de prédiction ECG basés sur des algorithmes ML peuvent garantir une détection et une surveillance constantes et en temps réel des patients gravement malades, en particulier en cas d’arrêt cardiaque à l’hôpital.
Jusqu’à présent, les chercheurs ont testé plusieurs marqueurs basés sur l’ECG, tels que l’allongement de l’onde Q, de l’onde R et de l’onde S (complexe QRS), la fréquence cardiaque et la variabilité de la fréquence cardiaque (VRC) comme prédicteurs dans leurs modèles ML.
À partir de ceux-ci, le VRC, une mesure de la variance temporelle entre des battements cardiaques consécutifs (intervalles RR), est apparu comme le prédicteur le plus fiable d’un arrêt cardiaque.
Il existe plusieurs autres mesures du VRC, telles que l’écart type des intervalles RR normaux (SDNN) et l’indice triangulaire du VRC (HTI), pour n’en nommer que quelques-unes, et toutes proviennent d’une seule source ECG.
Alors que les modèles de régression logistique conventionnels négligent les diverses informations offertes par les multiples mesures du VRC, les modèles ML de nouvelle génération peuvent en apprendre davantage sur les relations complexes entre plusieurs variables du VRC.
Plusieurs études ont mis en évidence l’efficacité des algorithmes ML utilisant des mesures HRV pour prédire un arrêt cardiaque soudain ; cependant, les études utilisant plusieurs mesures de VRC (simultanément) à partir d’ECG uniquement sont rares.
De plus, les études manquent souvent d’un large échantillon de patients en soins intensifs pour extraire les données ECG.
À propos de l’étude
Dans la présente étude, les chercheurs ont construit un ensemble de données ECG structurées de 5 679 séjours en soins intensifs provenant de 4 821 patients, avec (groupe d’événements) et sans (groupe témoin) des arrêts cardiaques soudains de 0,5 à 24 heures avant l’événement, avec des époques de cinq minutes à cinq heures. intervalles d’une minute.
Ils ont utilisé les époques des signaux ECG pour calculer les caractéristiques du VRC et prédire l’événement.
Ensuite, ils ont divisé l’ensemble de données en ensembles de développement (80 %) et de validation (20 %) au niveau du patient. Il y avait respectivement 634 396 et 139 663 époques dans les ensembles de développement et de validation, avec des taux d’événements d’arrêt cardiaque soudain de 1,24 % et 1,35 %.
La bibliothèque Python Neurokit2 a fourni 74 mesures HRV, y compris des mesures dans le domaine temporel, dans le domaine fréquentiel et non linéaires, parmi lesquelles l’algorithme BorutaShap en a sélectionné 33 comme caractéristiques d’entrée du modèle de prédiction.
En utilisant un ensemble aussi complet de mesures HRV, ils ont développé un algorithme LGBM (Light Gradient Boosting Machine) qui a augmenté la précision et les performances du modèle de prédiction.
En outre, les chercheurs ont optimisé les hyperparamètres du modèle LGBM à l’aide de l’optimisation bayésienne pour trouver les meilleurs paramètres de formation du modèle, qu’ils ont testés sur l’ensemble de validation.
Le critère de jugement principal était la survenue d’un arrêt cardiaque dans un délai de 0,5 à 24 heures. Les critères de jugement secondaires comprenaient la survenue d’un arrêt cardiaque de 0,5 à 18, 12, 6, 3 et 1 h.
L’équipe a évalué les performances de discrimination du modèle en utilisant l’aire sous la courbe de fonctionnement du récepteur (AUROC), l’aire sous la courbe précision-rappel (AUPRC) et l’intervalle de confiance (IC) à 95 %.
Des mesures supplémentaires pour évaluer les performances du modèle étaient la spécificité, la sensibilité, la précision, l’exactitude et le score F1.
En outre, ils ont utilisé la méthode des explications additives de Shapley (SHAP) pour l’analyse de l’importance des caractéristiques, qui expliquait le résultat du modèle ML basé sur un cadre de théorie des jeux.
Le SHAP a attribué une valeur de contribution unique à chaque fonctionnalité du modèle en fonction de son impact sur le résultat de la prédiction.
Résultats
Pour le résultat principal, le modèle a atteint un AUROC et un AUPRC de 0,881 et 0,104. [95% confidence interval (CI)].
Alors que l’AUROC des critères de jugement secondaires était comparable à celui du critère de jugement principal, l’AUPRC diminuait à mesure que la période de prédiction se rétrécissait de 6 à 1 heure et approchait d’un arrêt cardiaque soudain ; par conséquent, le modèle surprédit de plus en plus l’événement.
De plus, le modèle présentait un calibrage cohérent et fiable pour les résultats secondaires à 18 et 12 h. Les AUROC des analyses de sous-groupes n’ont pas montré de variations substantielles entre les deux moniteurs de patients.
De plus, comparé à un modèle basé sur des paramètres cliniques, qui utilisait 43 caractéristiques dérivées de six signes vitaux, le modèle d’étude utilisant les mesures du VRC a montré un AUROC significativement plus élevé (0,881 contre 0,735, p < 0,001).
Les résultats de l’analyse de l’importance des fonctionnalités ont également révélé les six principales fonctionnalités du modèle d’étude.
Il s’agissait du 20e centile des intervalles RR (Prc20NN), de l’interpolation triangulaire de l’histogramme de l’intervalle RR (TINN) et de l’intervalle interquartile des intervalles RR (IQRNN), dont les valeurs ont commencé à augmenter près de six heures avant un arrêt cardiaque soudain. , après quoi des changements dynamiques se sont produits.
Les valeurs HTI ont augmenté jusqu’à l’arrêt cardiaque, tandis que les valeurs des segments d’accélération/décélération (IALS) et du minimum d’intervalles RR (MinNN) ont diminué à ce moment-là.
TINN et HTI sont tous deux des mesures HRV dans le domaine temporel, où une valeur TINN plus grande signifie une plus grande variabilité dans les intervalles RR, et des valeurs HTI inférieures et supérieures suggèrent une proportion plus élevée d’intervalles regroupés autour du mode et des intervalles plus larges, respectivement.
Une étude antérieure a révélé que l’IALS était significativement plus élevé (valeur moyenne = 0,78) chez les patients souffrant d’insuffisance cardiaque congestive (ICC).
De même, les résultats de l’étude actuelle suggèrent qu’un IALS plus élevé peut être associé à des troubles cardiaques compromis, et près de 30 à 50 % des patients atteints d’ICC couraient un risque d’arrêt cardiaque soudain.
Conclusions
Le modèle d’étude proposé est hautement accessible et transférable à d’autres établissements de soins de santé qui collectent des données ECG. Il offre une application facile dans la pratique clinique car la surveillance ECG continue est une pratique standard dans les unités de soins intensifs.
Les études antérieures n’ont pas documenté de changements consécutifs dans les mesures du VRC. Par conséquent, les résultats analytiques de cette étude pourraient fournir des informations précieuses sur l’évaluation en temps réel d’un patient et faciliter le lancement rapide d’interventions pour prévenir un arrêt cardiaque soudain.
Cependant, la causalité entre ces mesures de VRC et l’arrêt cardiaque nécessite des investigations plus approfondies.
En conclusion, si de futures études valident ces résultats, elles pourraient aider à détecter un arrêt cardiaque à l’hôpital chez les patients gravement malades en soins intensifs.
