Developing Novel Criteria to Classify ARDS Severity using a Machine Learning Approach

Abstract

Davant de les dificultats mèdiques per abordar correctament els problemes del ARDS, tal com es reporten en múltiples publicacions especialitzades, en aquesta tesi hem plantejat la hipòtesi que l'ús de tecnologies modernes d'aprenentatge automàtic (ML) podria millorar el nostre coneixement i la nostra capacitat per predir i abordar aquests ARDS. qüestions. Per assolir aquests objectius (i) vam proposar una fórmula nova [PaO2/(FiO2xPEEP) or P/FPE] per a PEEP≥5 i els valors de tall corresponents per abordar la bretxa de definició de Berlín per a la gravetat de l'ARDS mitjançant enfocaments ML. Es van examinar els valors de P/FPE que delimiten els límits de l'ARDS lleu, moderat i greu. Hem aplicat ML per predir la gravetat del ARDS després de l'aparició al llarg del temps comparant els criteris actuals de PaO2/FiO2 de Berlín amb P/FPE en tres escenaris diferents, (ii) vam tenir com a objectiu caracteritzar el millor escenari precoç durant els dos primers dies a la unitat de cures intensives (ICU) per predir la durada de la MV després de l'inici de l'ARDS mitjançant enfocaments de ML, i (iii) vam validar P/FPE com a predictor de la mortalitat de la ICU més enllà de l'estat actual de la tècnica mitjançant llindars de classificació intuïtius basats en ML.

Frente a las dificultades médicas para abordar adecuadamente los problemas de ARDS, tal como se reportan en múltiples publicaciones especializadas, en esta tesis planteamos la hipótesis de que el uso de tecnologías modernas de aprendizaje automático (ML) podría mejorar nuestro conocimiento y nuestra capacidad para predecir y abordar estos ARDS. cuestiones. Para lograr estos objetivos (i), propusimos una fórmula novedosa [PaO2/(FiO2xPEEP) or P/FPE] para PEEP≥5 y los valores de corte correspondientes para abordar la brecha de definición de Berlín para la gravedad del ARDS mediante el uso de enfoques ML. Examinamos los valores de P/FPE que delimitan los límites del ARDS leve, moderado y grave. Aplicamos ML para predecir la gravedad del ARDS después del inicio a lo largo del tiempo comparando los criterios actuales de PaO2/FiO2 de Berlín con P/FPE en tres escenarios diferentes, (ii) apuntamos a caracterizar el mejor escenario temprano durante los dos primeros días en la unidad de cuidados intensivos (ICU) para predecir la duración de la MV después del inicio del ARDS utilizando enfoques de ML, y (iii) validamos P/FPE como predictor de mortalidad en la ICU más allá del estado actual del arte utilizando umbrales de clasificación intuitivos basados en ML.

In front of the medical difficulties to properly address ARDS issues, as they are reported in multiple specialized publications, in this thesis we hypothesized that the use of modern machine learning (ML) technologies could improve our knowledge and our capacity to predict and address these ARDS issues. In order to achieve these objectives (i) we proposed a novel formula [PaO2/(FiO2xPEEP) or P/FPE] for PEEP≥5 and corresponding cut-off values to address Berlin’s definition gap for ARDS severity by using ML approaches. We examined P/FPE values delimiting the boundaries of mild, moderate, and severe ARDS. We applied ML to predict ARDS severity after onset over time by comparing current Berlin PaO2/FiO2 criteria with P/FPE under three different scenarios, (ii) we aimed at characterizing the best early scenario during the first two days in the intensive care unit (ICU) to predict MV duration after ARDS onset using ML approaches, and (iii) we validated P/FPE as a predictor of ICU mortality beyond the current state of the art using intuitive classification thresholds based on ML.