Gast ::
| Hauptseite > Publikationsdatenbank > Konstruktion eines Bayesschen Netzes zur retrospektiven Detektion eines ARDS |
| Hauptseite > Publikationsdatenbank > Konstruktion eines Bayesschen Netzes zur retrospektiven Detektion eines ARDS |
| Poster (After Call) | FZJ-2021-04956 |
; ; ; ; ;
2021
Abstract: FragestellungObwohl das Akute Lungenversagen (engl. Acute respiratory distress syndrome, ARDS) eine Erkrankung mit hoher Morbidität und Mortalität ist, werden dennoch mehr als ein Drittel der ARDS-Fälle nicht als solche erkannt. Diese falsch-niedrige Diagnoserate überträgt sich in große Datenbanken von Patientendaten und führt zu einer unsauberen Annotation der Datensätze. Für die Entwicklung von Algorithmen der Künstlichen Intelligenz (KI) mithilfe dieser Datenbanken ist dies problematisch. Unser Ziel war es daher, für die retrospektive Analyse ein Verfahren zu entwickeln, das das Vorliegen eines ARDS anhand vorliegender Daten vorhersagen kann, ohne auf eine zuvor gestellte, ärztliche Diagnose angewiesen zu sein.MethodikUnter Nutzung der Datenbank MIMIC-III wurde ein Bayessches Netz (BN) erstellt, welches 41 für die ARDS-Diagnose relevante Variablen enthielt. Diese Variablen umfassten u. a. Vitalparameter, Respiratoreinstellungenund Laborparameter. Patienten, deren Zuordnung zur ARDS-Gruppe zweifelhaft war, da sie erkennbar nicht die Berlin-Kriterien erfüllten (z.B. zu hoher oder nicht gemessener Horovitz-Quotient), sowie Patienten, bei denen der dringende Verdacht bestand, dass ein bestehendes ARDS nicht diagnostiziert worden war, wurden aus dem Trainingsdatensatz entfernt. Die Validierung des Bayesschen Netzes erfolgte auf Testdatensätzen aus den Datenbanken MIMIC-III und eICU. Die Vorhersagegenauigkeit des Modells wurde anhand der AUROC (engl. Area under the receiver operating characteristic curve) bewertet.ErgebnisEs konnte ein Bayessches Netz trainiert werden, welches in der Lage war, das Vorliegen eines ARDS auf Basis strukturierter Daten vorherzusagen. Das finale Modell erzielte bei Anwendung eines Testdatensatzes aus MIMIC-III eine AUROC von 0,93. Wurde das trainierte Netz auf einen entsprechenden Testdatensatz aus der eICU-Datenbank angewendet, sank zwar die Vorhersagegenauigkeit, jedoch betrug die AUROC noch immer 0,89. Von allen Fällen in der eICU-Datenbank, für die der ICD-10-Code für ein ARDS vergeben worden war, konnte das Bayessche Netz 86 % korrekt vorhersagen.SchlussfolgerungMethoden der KI sind in der Lage, auf Basis strukturierter Patientendaten das Vorliegen eines ARDS vorherzusagen. Wir konnten ein Bayessches Netz entwickeln, welches hierfür einsetzbar ist. Das BN kann ggf. im Verlauf auch zu einem clinical decision support system weiterentwickelt werden.
|
The record appears in these collections: |