Predicting Readmission or Death After Intensive Care Unit Discharge
No Thumbnail Available
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Authors
Date
2020-05-19
Department
Major/Subject
Applied Mathematics
Mcode
SCI3053
Degree programme
Master’s Programme in Mathematics and Operations Research
Language
en
Pages
65
Series
Abstract
Patients who are readmitted to an intensive care unit (ICU) have higher mortality and are often in worse condition than the average ICU patient. Additionally, unplanned readmissions reduce clinical and cost effectiveness of ICUs and are unpleasant for the patient. The goal of this thesis is to develop a method to predict readmissions or death within 48 hours of an ICU discharge. The predictions could be used to safely discharge patients from ICUs. This thesis uses 79 599 ICU stays from the eICU Collaborative Research Database. Patients' vital signs, laboratory results, age, gender, body mass index and ICU length of stays are used to predict readmissions and deaths. Three algorithms are used: logistic regression, random forest and gradient boosting. These are compared to the Stability and Workload Index for Transfer (SWIFT) score. The prevalence of 48-hour readmission or death was 3.2% in the test set. The best performing method was gradient boosting, which had Area Under Receiver Operating Characteristic Curve (AUROC) of 0.72 and Area Under Precision-Recall Curve (AUPRC) of 0.10, while SWIFT had AUROC of 0.60 and AUPRC of 0.06. With sensitivity fixed to 0.5, the gradient boosting model has accuracy of 0.79 and precision of 0.08. The developed models performed better than the SWIFT score. However, while the model performance was comparable to existing machine learning based approaches, low precision and accuracy limit their clinical applicability.Potilailla, jotka palaavat uudelleen teho-osastolle, on korkeampi kuolleisuus ja he ovat huonovointisempia kuin keskiverto teho-osastopotilas. Lisäksi suunnittelemattomat teho-osastolle paluut huonontavat kliinistä sekä kulutehokkuutta ja ne ovat epämiellyttäviä potilaille. Tämän työn tavoite on kehittää menetelmä, joka ennustaa teho-osastolle paluun tai kuoleman 48 tunnin sisällä teho-osastolta poispääsystä. Tätä ennustusta voisi käyttää potilaiden turvalliseen siirtoon pois teho-osastolta. Työssä käytetään 79 599 teho-osasto käyntiä, joiden lähde on eICU Collaborative Research Database. Teho-osastolle paluun ja kuoleman mallinnukseen käytetään potilaiden vitaaleja, laboratoriotuloksia, ikää, sukupuolta, painoindeksiä ja teho-osasto käynnin pituutta. Kolmea eri algoritmia käytetään. Nämä ovat logistinen regressio, random forest ja gradient boosting. Näitä menetelmiä verrataan Stability and Workload Index for Transfer (SWIFT) -pisteytykseen. 48 tunnin teho-osastolle paluun tai kuoleman prevalenssi oli 3.2% testijoukossa. Parhaiten suoriutuva menetelmä oli gradient boosting, jonka Area Under Receiver Operating Characteristic Curve (AUROC) oli 0.72 ja Area Under Precision-Recall Curve (AUPRC) 0.10. Samalla SWIFT -pisteytyksen AUROC oli 0.60 ja AUPRC 0.06. Kun sensitiivisyys kiinnitettiin arvoon 0.5, gradient boosting -mallin täsmällisyys (accuracy) oli 0.79 ja tarkkuus (precision) oli 0.08. Kaikki kolme kehitettyä mallia suoriutuivat paremmin kuin SWIFT -pisteytys. Vaikka mallien suorituskyky oli samankaltainen kuin olemassa olevilla koneoppimismalleilla, alhainen tarkkuus rajoittaa niiden kliinistä käytettävyyttä.Description
Supervisor
Hyvönen, NuuttiThesis advisor
Häme, YrjöKeywords
machine learning, classification, intensive care unit, readmission, healthcare