Publish in this journal
Journal Information
Vol. 56. Issue 9.
Pages 564-570 (September 2020)
Share
Share
Download PDF
More article options
ePub
Visits
...
Vol. 56. Issue 9.
Pages 564-570 (September 2020)
Original Article
DOI: 10.1016/j.arbr.2019.11.020
Patient Management Assisted by a Neural Network Reduces Mortality in an Intermediate Care Unit
El manejo del paciente asistido por una red neuronal disminuye la mortalidad en una unidad de cuidados intermedios
Visits
...
Sarah Heili-Fradesa,
Corresponding author
SHeili@fjd.es

Corresponding authors.
, Pablo Minguezb,
Corresponding author
pablo.minguez@quironsalud.es

Corresponding authors.
, Ignacio Mahillo Fernándezc, Luis Jiménez Hiscockd, Arnoldo Santose, Daniel Heili Fradesf, María del Pilar Carballosa de Miguela, Itziar Fernández Ormaecheaa, Laura Álvarez Suáreza, Alba Naya Prietoa, Nicolás González Mangadoa, Germán Peces-Barba Romeroa
a Intermediate Respiratory Care Unit, IIS-Fundación Jiménez Díaz Quirón Salud, Madrid, CIBER de enfermedades respiratorias (CIBERES), REVA Network, Madrid, Spain, Avda Reyes Católicos n°2, CP 28040 Madrid, Spain
b Genetics and Genomics Department, IIS-Fundación Jiménez Díaz, Madrid, Center for Biomedical Network Research on Rare Diseases (CIBERER), ISCIII, Madrid, Spain
c Department of Biostatistics and Epidemiology, IIS-Fundación Jiménez Díaz UAM, Madrid, Spain
d Thoracic Surgery Department, Sanchinarro University Hospital, HM Hospitals Group, Madrid, Spain
e ITC Ingeniería y Técnicas Clínicas, CIBER de Enfermedades Respiratorias (CIBERES), Madrid, Spain
f Civil Engineering, Soletanche-Bachy, Paris, France
Article information
Abstract
Full Text
Bibliography
Download PDF
Statistics
Figures (7)
Show moreShow less
Tables (3)
Table 1. Global Profile of the Cohort Included in the Study. NIV Means Non Invasive Ventilation; HFO Means High Flow Oxygen Treatment.
Table 2. Description of the Variables and Their Values Introduced in the Analysis. Percentage of NAs (Not Available Value) Indicates the Missing Values of Every Variable.
Table 3. Multivariate Logistic Regression Model. Hosmer and Lemeshow Test: Chi-square=4.008, df=8, P=.856.
Show moreShow less
Additional material (1)
Abstract
Introduction

Mortality risk prediction for Intermediate Respiratory Care Unit's (IRCU) patients can facilitate optimal treatment in high-risk patients. While Intensive Care Units (ICUs) have a long term experience in using algorithms for this purpose, due to the special features of the IRCUs, the same strategics are not applicable. The aim of this study is to develop an IRCU specific mortality predictor tool using machine learning methods.

Methods

Vital signs of patients were recorded from 1966 patients admitted from 2007 to 2017 in the Jiménez Díaz Foundation University Hospital's IRCU. A neural network was used to select the variables that better predict mortality status. Multivariate logistic regression provided us cut-off points that best discriminated the mortality status for each of the parameters. A new guideline for risk assessment was applied and mortality was recorded during one year.

Results

Our algorithm shows that thrombocytopenia, metabolic acidosis, anemia, tachypnea, age, sodium levels, hypoxemia, leukocytopenia and hyperkalemia are the most relevant parameters associated with mortality. First year with this decision scene showed a decrease in failure rate of a 50%.

Conclusions

We have generated a neural network model capable of identifying and classifying mortality predictors in the IRCU of a general hospital. Combined with multivariate regression analysis, it has provided us with an useful tool for the real-time monitoring of patients to detect specific mortality risks. The overall algorithm can be scaled to any type of unit offering personalized results and will increase accuracy over time when more patients are included to the cohorts.

Keywords:
Intermediate Respiratory Care Unit
Neural network
Mortality prediction model
Artificial intelligence
Machine learning
Resumen
Introducción

La predicción del riesgo de mortalidad de los pacientes en la unidad de cuidados respiratorios intermedios (UCRI) puede facilitar un tratamiento óptimo en pacientes de alto riesgo. Si bien las unidades de cuidados intensivos (UCI) tienen una experiencia a largo plazo en el uso de algoritmos para este propósito, debido a las características especiales de las UCRI, no se pueden aplicar las mismas estrategias. El objetivo de este estudio es desarrollar una herramienta de predicción de mortalidad específica para la UCRI utilizando métodos de aprendizaje automático.

Métodos

Se registraron los signos vitales de 1.966 pacientes ingresados entre 2007 y 2017 en la UCRI del Hospital Universitario de la Fundación Jiménez Díaz. Se utilizó una red neuronal para seleccionar las variables que mejor predijeran el estado de mortalidad. La regresión logística multivariante nos proporcionó los puntos de corte que discriminaban mejor el estado de la mortalidad para cada uno de los parámetros. Se aplicó una nueva guía para la evaluación de riesgos, y se registró la mortalidad durante un año.

Resultados

Nuestro algoritmo muestra que la trombocitopenia, la acidosis metabólica, la anemia, la taquipnea, la edad, los niveles de sodio, la hipoxemia, la leucocitopenia y la hipercalemia son los parámetros más relevantes asociados con la mortalidad. En el primer año con este escenario de decisión se mostró una disminución en la tasa de fracaso de un 50%.

Conclusiones

Hemos generado un modelo de red neuronal capaz de identificar y clasificar predictores de mortalidad en la UCRI de un hospital general. Combinado con el análisis de regresión multivariante, nos ha proporcionado una herramienta útil para la monitorización en tiempo real de pacientes para detectar riesgos de mortalidad específicos. El algoritmo general se puede modificar a escala para cualquier tipo de unidad, lo que ofrecerá resultados personalizados, y su precisión aumentará con el tiempo, según se incluyan más pacientes en las cohortes.

Palabras clave:
Unidad de cuidados respiratorios intermedios
Red neuronal
Modelo de predicción de mortalidad
Inteligencia artificial
Aprendizaje automático

Article

These are the options to access the full texts of the publication Archivos de Bronconeumología (English Edition)
Member
If you are a member of SEPAR:
  • Go to >>>SEPAR<<< website and sign in.
Subscriber
Subscriber

If you already have your login data, please click here .

If you have forgotten your password you can you can recover it by clicking here and selecting the option “I have forgotten my password”
Subscribe
Subscribe to

Archivos de Bronconeumología (English Edition)

Comprar
Comprar acceso al artículo

Comprando el artículo el PDF del mismo podrá ser descargado

Precio 22,50 €

Comprar ahora
Contact
Phone for subscriptions and reporting of errors
From Monday to Friday from 9 a.m. to 6 p.m. (GMT + 1) except for the months of July and August which will be from 9 a.m. to 3 p.m.
Calls from Spain
932 415 960
Calls from outside Spain
+34 932 415 960
Email
Idiomas
Archivos de Bronconeumología (English Edition)

Subscribe to our newsletter

Article options
Tools
Supplemental materials
es en

¿Es usted profesional sanitario apto para prescribir o dispensar medicamentos?

Are you a health professional able to prescribe or dispense drugs?

es en
Política de cookies Cookies policy
Utilizamos cookies propias y de terceros para mejorar nuestros servicios y mostrarle publicidad relacionada con sus preferencias mediante el análisis de sus hábitos de navegación. Si continua navegando, consideramos que acepta su uso. Puede cambiar la configuración u obtener más información aquí. To improve our services and products, we use "cookies" (own or third parties authorized) to show advertising related to client preferences through the analyses of navigation customer behavior. Continuing navigation will be considered as acceptance of this use. You can change the settings or obtain more information by clicking here.