Predicting Mortality with Deep Neural Networks Using Non-Invasive Signals of Intensive Care Patients
No Thumbnail Available
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Authors
Date
2019-06-17
Department
Major/Subject
Complex Systems
Mcode
SCI3060
Degree programme
Master’s Programme in Life Science Technologies
Language
en
Pages
80
Series
Abstract
The objective of this study is to explore the possibility of using non-invasive signals of intensive care patients to predict mortality. Various scoring systems and computer-based approaches, which rely mainly on vital signs and variables saved in the Electronic Health Record (EHR) systems, have been developed to estimate the severity of patients’ states. However, biomedical signals, the source of many vital signs, are not saved into the EHR systems and remained quite untouched in such prediction tasks until now. A preprocessing pipeline is developed to filter, downsample and normalize the non-invasive signals. Additionally, a set of Convolutional Recurrent Neural Network (CRNN) models are developed with and without residual connections. The developed models predict the probability of mortality and utilize three commonly measured non-invasive signals as input features. The study cohort consists of 1875 intensive care patients, of which 32 395 data windows are derived and utilized as the dataset. A data window is labeled positive if the time of death is in the next 1 to 13 hours from the end of the window. Otherwise, the data window is labeled negative. An EHR based Logistic Regression (LR) model and a Reduced National Early Warning Score (rNEWS) are used as baselines. The best CRNN model, CNN-LSTM-1, is chosen based on cross-validation results. The proposed CNN-LSTM-1 model is able to achieve an Area Under Receiver Operating Characteristic Curve (AUROC) of 0.84 and an Area Under Precision Recall Curve (AUPRC) of 0.27 on the test set. The baseline LR model and the rNEWS achieved AUROCs of 0.71 and 0.70 and AUPRCs of 0.17 and 0.16, respectively. Thus, the AUROC of CNN-LSTM-1 is almost 20% higher and the AUPRC more than 60% higher than the baselines. Additionally, with fixed sensitivity the CNN-LSTM-1 model performs with over 60% less False Positives (FPs) than both baselines. This study showed that the proposed deep learning model using waveform data outperforms a model utilizing corresponding EHR data from the same period. These results indicate that waveform data contains additional information and new possibilities for prediction tasks in clinical decision-making. These results encourage to explore the benefit of waveform data and neural networks more thoroughly.Tämän työn tavoitteena on tutkia mahdollisuutta käyttää intensiivihoitopotilaista mitattuja noninvasiivisia signaaleja kuoleman ennustamiseen. Potilaan tilan vakavuuden arvioimiseksi on kehitetty erilaisia pisteytysjärjestelmiä ja tietokonepohjaisia menetelmiä, jotka perustuvat pääasiassa potilastietojärjestelmän (EHR) tietoihin. Potilaista mitatuista signaaleista vain joitakin parametreja tallennetaan EHR tietoihin. Raakoja signaaleja ei ole käytetty vastaaviin ennustustehtäviin aikaisemmin. Työssä käytettävät signaalit suodatetaan, alinäytteistetään ja normalisoidaan. Lisäksi työssä kehitetään konvoluutio takaisinkytkeytyvä neuroverkkoihin (CRNN) perustuvia malleja, joista osa hyödyntää myös residuaalisia yhteyksiä. Kehitetyt mallit ennustavat todennäköisyyttä kuolemalle. Ennustamiseen käytetään kolmea noninvasiivista signaalia. Työssä käytetty kohortti muodostuu 1875 intensiivihoitopotilaan datasta, josta saadaan yhteensä 32 395 tunnin pituista dataikkunaa. Dataikkuna on merkitty positiiviseksi, jos kuolema tapahtuu seuraavan 1–13 tunnin kuluessa. Muuten dataikkuna merkitään negatiiviseksi. Vertailukohtamalleina käytetään EHR pohjaisia logistinen regressio (LR) -mallia sekä pelkistettyä kansallisen aikaisen varoituksen pistejärjestelmää (rNEWS). Paras CRNN-malli, CNN-LSTM-1, valitaan ristiinvalidointitulosten perusteella. Valittu malli saavuttaa AUROC-arvon 0.84 ja AUPRC-arvon 0.27 testidatasetillä. Vertailukohtamallit LR ja rNEWS saavuttavat vastaavasti AUROC-arvot 0.71 ja 0.70 sekä AUPRC-arvot 0.17 ja 0.16. Ehdotettu CNN-LSTM-1-malli saavuttaa lähes 20% korkeamman AUROC-arvon ja yli 60% korkeamman AUPRC-arvon kuin vertailukohtamallit. Tämä tutkimus osoittaa, että ehdotettu CNN-LSTM-1-malli, joka käyttää korkeataajuisia signaaleja, on parempi kuin vertailukohdemallit, jotka käyttävät vastaavaa EHR-dataa. Nämä tulokset osoittavat, että noninvasiiviset signaalit sisältävät hyödyllistä tietoa ja mahdollistava uusia lähestymistapoja ennustustehtäviin kliinisen päätöksenteon tueksi. Nämä tulokset kannustavat tutkimaan signaalien ja neuroverkkojen tuomaa lisäetua perusteellisemmin.Description
Supervisor
Marttinen, PekkaThesis advisor
Häme, YrjöKeywords
artificial neural network, CRNN, healthcare, intensive care unit, machine learning, waveform