gms | German Medical Science

Hintergrund: Die Entwöhnung von maschineller Beatmung ist ein kritischer und ressourcenintensiver Prozess, der je nach Patienten variieren kann und so das Behandlungsergebnis beeinflusst. Wird die Beatmung zu lang durchgeführt, kann dies zu unerwünschten Nebenwirkungen und höheren Kosten führen. Bei der Entwöhnung handelt es sich um einen schrittweisen Prozess, weshalb die Vorhersage der Bereitschaft zur Entwöhnung nicht-trivial ist.

In bisherigen Arbeiten wurde die Entwöhnung von maschineller Beatmung meist als binäre Klassifikation hinsichtlich einer vollen Entwöhnung als ja/nein definiert [1], [2]. Nur wenige Autoren definieren Algorithmen, die die Entwöhnung als einen schrittweisen Prozess modellieren [3].

Ein potenzieller Indikator für die Vorhersage der Erleichterung der maschinellen Beatmung und der Entwöhnung ist der positive endexpiratorische Druck (PEEP), der eine kritische Komponente in der Beatmung darstellt, bisher aber noch nicht als Zielgröße verwendet wurde.

Unser Ziel war die Vorhersage der Entwöhnung von der maschinellen Beatmung durch Änderungen des PEEP-Wertes mit Hilfe eines überwachten maschinellen Lernmodells.

Methodik: Für diese Studie wurden Daten des Medical Information Mart for Intensive Care (MIMIC-IV) v1.0 [4] und eICU collaborative research database (eICU-CRD) [5] genutzt. Es wurden Patienten ≥18 Jahre mit maschineller Beatmung und mindestes zwei gemessenen PEEP-Werten in die Analyse aufgenommen. Es wurden 52 klinische Variablen ausgewählt, die als klinisch relevant erachted wurden oder aus der Literatur bereits bekannt waren. Beobachtungsfenster war der Zeitraum von Aufnahme auf Intensivstation bis zu einer Reduzierung des PEEP Wertes oder der Zeitraum zwischen zwei Redizierungen des PEEP Wertes. Aus den klinischen Variablen wurden mittels Minimum, Maximum, Standardabweichung und Mean Features für die Modelle berechnet.

Mehrere Vorhersagemodelle wurden mittels Extreme Gradient Boosting (XGBoost) und logistischer Regression entwickelt und validiert. 80% der Fälle wurden zufällig in den Trainingsdatensatz selektiert, 20% der Fälle wurden zufällig in den Valdierungsdatensatz selektiert. Target war eine Reduzierung des PEEP-Wertes ohne erneuten Anstieg während des Krankenhausaufenthaltes. Die Modell-Performance wird mit Area under the Receiver Operating Characteristic (AUROC), Area under the Precision-Recall Curve (AUPRC) und F1-Score, jeweils mit 95% Konfidenzintervall (CI), berichtet.

Ergebnisse: 12.153 Patienten wurden in die Analyse aufgenommen, 6.010 Patienten aus eICU-CRD (38% weiblich, Altersdurchschnitt 62.3) und 6.143 Patienten aus MIMIC-IV (42% weiblich, Altersdurchschnitt 62.9).

Wir haben jeweils eigene Modelle mit den Daten von eICU-CRD, MIMIC-IV und einer Kombination aus beiden Datensätzen trainiert. Die Performance der Modelle ist in Tabelle 1 [Tab. 1] aufgelistet. XGBoost resultiert übergreifend in einer besseren Vorhersage der Entwöhnung von maschineller Beatmung als logistische Regression. Das Training auf MIMIC-IV Daten hat zu vergleichsweise schlechten Ergebnissen geführt.

Fazit: Mit XGBoost konnte wir in eICU-CRD eine suffiziente Vorhersage treffen. Diese Studie zeigt das Potenzial des maschinellen Lernens für die Vorhersage der erfolgreichen Entwöhnung von der MV auf der Grundlage der PEEP-Reduktion hat.

Die Autoren geben an, dass kein Interessenkonflikt besteht.

Die Autoren geben an, dass kein Ethikvotum erforderlich ist.