Prediction of the length of stay and readmission probability of intensive care unit patients

Abstract

ÖZETCOVID-19 salgını sürecinde sağlık bakanlıkları, hastane yönetimleri ve sağlık enstitüleri Yoğun Bakım Ünitelerinin (YBÜ) yönetiminin ne kadar önemli olduğunun bir kez daha farkına vardılar. Enstitü ve hastane yöneticileri hastaların YBÜ’de ölme, YBÜ’de kalma süresi veya YBÜ’ye tekrar kabul oranı gibi YBÜ performansları konusundaki araştırmalarına hız verdiler. Çalışmamızda, YBÜ’de yatmakta olan hastaların yoğun bakım ünitesi performanslarını kestiren birçok model geliştirdik. Bu modeller arasında Çoklu Organ Yetmezliği Değerlerinden (ÇOYD) elde edilen imgeler ile beslenmiş Evrişimsel Sinir Ağları (ESA) modellerinin kestirimsel anlamda üstünlüğü olduğunu saptadık. Çok değişkenli zaman serisi verisini kullanarak ESA modellerimizi eğittik. YBÜ’de kalma sürecinde mortalite, YBÜ’den ayrıldıktan sonraki bir yıl içinde gerçekleşen mortalite, YBÜ’den ayrıldıktan sonraki bir yıl içinde tekrar YBÜ’de yatış ve YBÜ’de kalma süreleri gibi YBÜ performanslarının kestirilmesinde özgün bir yöntem olduğunu düşündüğümüz model geliştirme sürecimiz iki aşamadan oluşmaktadır; hastaların ÇOYD sonuçlarının görsellere dönüştürülmesi ve bu görseller ile ESA modellerinin hastaların YBÜ performanslarının kestirilmesinde kullanılması. AUROC değeri olarak en iyi performans gösteren görsel üretme algoritmasını tespit etmek için AUROC değerini kullandık. Modellerimiz YBÜ’de ölümün, YBÜ’den ayrıldıktan sonraki bir yıl içerisinde ölümün, YBÜ’den ayrıldıktan sonraki bir yıl içinde tekrar kabulün ve YBÜ’de kalma sürelerinin kestirilmesinde sırasıyla 0.83, 0.84, 0.87, 0.56 AUROC değerlerini kestirdiler. Modellerimizin performanslarını Lojistik Regresyon, Rassal Orman, Asamble, LSTM gibi algoritmalarla ve literatürde yapılan çalışmalarla karşılaştırdık. Özellikle birinci gün verisinin kullanılarak YBÜ’de mortalitenin kestirilmesi için Literatürdeki çalışmalarla kıyaslanabilir sonuçlar elde ettik.

Throughout all stages of the COVID-19 pandemic, ministries of health, hospital administrations and medical institutions noticed the importance of management of Intensive Care Units (ICU). Both administrative and medical departments of medical institutes are in search of an insight about patients’ ICU performances such as length of stay, mortality rates and readmission rates of ICU patients. In our study, we use Convolutional Neural Networks (CNN) to predict Intensive Care Unit (ICU) performances of patients via images generated from patients’ Sequential Organ Failure Assessment (SOFA) scores which are used to assess the acute morbidity of intensive care unit patients. We propose a novel method to predict ICU performances; mortality during the stay in ICU, mortality in one year after discharge from ICU, readmission in one year after discharge from ICU and length of stay of ICU patients. We trained CNN models with images generated from multivariate time series data. Our model development process consists of two steps; converting SOFA scores of patients into an image and training the CNN with generated images to predict patients’ ICU performances. We searched for the best performing image generation algorithm which has the highest AUROC value for each prediction. Our model gives us AUROC values for mortality in ICU, and in one year after discharge from ICU, readmission in one year after discharge from ICU and length of stay of patients in ICU as 0.83, 0.84, 0.87, 0.56 respectively. We compared our methods’ performance with random forest, support vector machine, Logistic regression and ensemble of these algorithms. The proposed image-based method in which we use the first day SOFA scores outperform the random forest, support vector machine and logistic regression algorithms. Our method gives a similar performance to the studies in literature in terms of predicting mortality in ICU using first day data with an AUROC value of 0.83.