Um Modelo de Predição de Mortalidade em Unidades de Terapia Intensiva Baseado em Deep Learning

• Diogo Schmidt Unisinos
• Denise Bandeira da Silva Unisinos
• Cristiano André da Costa Unisinos
• Rodrigo da Rosa Righi Unisinos

DOI: https://doi.org/10.5753/sbcas.2018.3677

Resumo

Cada vez mais, pesquisas na área da medicina vêm utilizando a técnica de Deep Learning na tentativa de melhorar a qualidade dos sistemas de Apoio à Decisão Clínica. Diversos índices prognósticos convencionais são utilizados em Unidades de Terapia Intensiva (UTIs) para avaliar o risco de morte. Entretanto, esses índices ainda não conseguem prever com precisão o risco de morte. O objetivo deste trabalho é apresentar um modelo baseado em Deep Learning, na área de medicina intensiva, para a predição do risco de morte, a fim de tornar a decisão terapêutica mais eficiente. O modelo de predição proposto é formado por uma Rede Neural Convolucional (RNC) dividida em cinco estágios e contendo nove camadas ocultas. Neste trabalho, de abordagem quantitativa, é dado um enfoque experimental através da comparação do poder preditivo do modelo proposto com um dos modelos de predição mais utilizados em UTIs, o Acute Physiology and Chronic Health Evaluation II (APACHE II). Os dados utilizados foram obtidos através da extração de informações contidas em registros médicos da base de dados Multiparameter Intelligent Monitoring in Intensive Care III (MIMIC III). Para avaliar o desempenho dos modelos foram utilizadas as medidas de acurácia, sensibilidade, especificidade e área sob a curva ROC (AUC). Comparando o desempenho do modelo proposto com o APACHE II, observou-se que ele apresentou bons resultados ao atingir AUC acima de 0,80, enquanto o APACHE II atingiu AUC de 0,71.

Referências

Angermueller, C. et al. (2016). Deep learning for computational biology. Molecular systems biology, v. 12, n. 7, p. 878.

Bengio, Y., Courville, A., and Vicent, P. (2013). Representation learning: A review and new perspectives. IEEE transactions on pattern analysis and machine intelligence, v. 35, n. 8, p. 1798-1828.

Cardoso, L. G. dos S., and Chiavone, P. A. (2013). APACHE II medido na saída dos pacientes da Unidade de Terapia Intensiva na previsão da mortalidade. Revista Latino-Americana de Enfermagem, v. 21, n. 3, p. 811-819.

Deo, R. C. (2015). Machine learning in medicine. Circulation, v. 132, n. 20, p. 1920-1930.

Eskofier, B. M. et al. (2016). Recent Machine Learning Advancements in Sensor-Based Mobility Analysis: Deep Learning for Parkinson’s Disease Assessment. In: Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 38., Orlando. Conference Proceedings. p. 655-658.

Fang, R. et al. (2016). Computational health informatics in the big data age: a survey. ACM Computing Surveys (CSUR), v. 49, n. 1, p. 12.

Ghosh, E., Eshelman, L., Yang, L., Carlson, E., & Lord, B. (2017). Early Deterioration Indicator: Data-driven approach to detecting deterioration in general ward. Resuscitation, 122, 99-105.

Goldberger, A. L. et al. (2000). Physiobank, physiotoolkit, and physionet components of a new research resource for complex physiologic signals. Circulation, v. 101, n. 23, p. e215-e220.

Goodfellow, I. J., Benfio, Y., and Courville, A. (2016). Deep learning. Cambridge: MIT Press.

Herland, M., Khoshgoftaar, T. M., and Wald, R. (2014). A review of data mining using big data in health informatics. Journal of Big Data, v. 1, n. 1, p. 1.

Hissa, P., Hissa, M., and Araújo, P. (2013). Análise comparativa entre dois escores na previsão de mortalidade em unidade terapia intensiva. Revista Brasileira de Clínica Médica, v. 11, n. 1, p. 21-6.

Jarrett, K. et al. (2009). What is the best multi-stage architecture for object recognition? In: IEEE International Conference on Computer Vision, 12., Kyoto.

Johnson, A. E. W. et al. (2016). MIMIC-III, a freely accessible critical care database. Scientific data, v. 3.

LeCun, Y., Bengio, Y., and Hinton, G. (2015). Deep learning. Nature, v. 521, n. 7553, p. 436-444.

Marin, H. de F. (2010). Sistemas de informação em saúde: considerações gerais. Journal of Health Informatics, v. 2, n. 1.

Moritz, R. D., Schwingel, R. F., and Machado, F. O. (2005). Critérios prognósticos de pacientes graves: comparação entre a percepção dos médicos e o índice APACHE II. Revista Brasileira de Terapia Intensiva, v. 17, n. 3, p. 176-80.

Nair, V. and Hinton, G. E. (2010). Rectified linear units improve restricted boltzmann machines. In: Proceedings of the 27th International Conference on Machine Learning (ICML-10). p. 807-814.

Neto, A. S. et al. (2015). Feasibility of transitioning from APACHE II to SAPS III as prognostic model in a Brazilian general intensive care unit. A retrospective study. Sao Paulo Medical Journal, São Paulo, v. 133, n. 3, p. 199-205.

Pinheiro, P. and Collobert, R. (2014). Recurrent convolutional neural networks for scene labeling. In: International Conference on Machine Learning.

Pirracchio, R. et al. (2015). Mortality prediction in intensive care units with the Super ICU Learner Algorithm (SICULA): a population-based study. The Lancet Respiratory Medicine, v. 3, n. 1, p. 42-52.

Simard, P. Y., Steinkraus, D., and Platt, J. C. (2003). Best Practices for Convolutional Neural Networks Applied to Visual Document Analysis. In: International Conference on Document Analysis and Recognition (ICDAR), IEEE Computer Society, Los Alamitos, pp. 958-962.

Szegedy, C. et al. (2015). Going deeper with convolutions. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.