SepINav：基于贝叶斯在线变点检测的脓毒症监测和干预数据驱动软件工具

软件X 14（2021）100689原始软件出版物SepINav（SepsisI CUNav igator）：使用贝叶斯在线变点检测进行脓毒症监测和干预的数据驱动软件工具Nazmus Sakiba， Shiyu Tiana，Md Munirul Haqueb，Rumi Ahmed Khanc，Sheikh Iqbal Ahamedaa美国威斯康星州密尔沃基马奎特大学计算机科学系Ubicomp实验室b美国印第安纳州印第安纳波利斯市印第安纳波利斯大学安尼斯工程学院cCollege of Medicine，University of Central Florida，Orlando，FL，美国ar t i cl e i nf o文章历史记录：2020年8月31日收到收到修订版，2021年2月23日接受，2021年保留字：脓毒症Covid-19SIRSqSOFASOFA感染性休克贝叶斯在线变点检测a b st ra ct重症监护病房（ICU）患者中败血症和感染性休克的发生率及其相关的死亡率、发病率和每年的治疗费用令人担忧。SepINav是一项医学信息学工作，帮助ICU医生和研究人员更有效地和交互式地监测和干预现有的脓毒症患者，并进行回顾性研究，以寻求ICU中不同脓毒症情况的依据。此外，贝叶斯在线变点检测将帮助从业者了解可能预示感染性休克之前的患者生命体征状态的结构变化。此外，该数据驱动的软件工具还增加了几个额外的功能，以保证有效的监测和干预，并解决ICU中的混淆医疗干预。版权所有2021作者。由爱思唯尔公司出版这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）中找到。代码元数据当前代码版本1.1用于此代码版本的代码/存储库的永久链接https://github.com/ElsevierSoftwareX/SOFTX-D-20-00034代码海洋计算胶囊法律代码许可证Apache许可证2.0使用git的代码版本控制系统使用Python R的软件代码语言、工具和服务编译要求、操作环境依赖性Python 3.7或更高版本R 4或更高版本如果可用开发人员文档/手册技术支持邮箱nazmus. marquette.edu软件元数据当前软件版本1.1此版本可执行文件的永久链接https://github.com/ShiyuTI/SepINav/releases/tag/1.1法律软件许可证Apache许可证2.0计算平台/操作系统Linux，OS X，Microsoft Windows安装要求依赖关系Python 3.7或更高版本R 4或更高版本如果可用，请链接到用户手册技术支持邮箱nazmus. marquette.edu*通讯作者。电子邮件地址：nazmus. marquette.edu（Nazmus Sakib）。https://doi.org/10.1016/j.softx.2021.1006891. 动机和意义脓毒症是一种由人体对感染的过度反应引起的综合征。这种不受调节的反应导致细胞中的生物化学、生理学和病理学异常。2352-7110/©2021作者。 由Elsevier B.V.出版。这是一篇开放获取的文章，使用CC BY许可证（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表SoftwareX期刊主页：www.elsevier.com/locate/softxNazmus Sakib，Shiyu Tian，Md Munirul Haque等.软件X 14（2021）1006892人体[1，2]。一项流行病学研究表明，美国每年有超过170万成年人受到败血症的影响。一项研究报告说，每年有超过970，000例与败血症相关的病例被送往美国医院。每年有超过250，000例死亡（约占所有医院死亡的50%）是由于败血症[3此外，最近的统计数据反映了住院患者中脓毒症发病率每年增加8.7%[5，7]。除了高死亡率和败血症发病率的惊人增加外，败血症在医院的平均住院时间（LOS）比大多数其他疾病高出约75%[7，8]。2013年，脓毒症导致超过240亿美元的医院费用，占美国医院总费用的13%。毫不奇怪，与脓毒症管理和干预相关的成本在所有疾病和医疗条件的入院中排名最高[9，10]。在在全球范围内，一项研究表明，全球19.7%的死亡（1/5）与脓毒症有关[11]。随着关于COVID-19的科学数据的增加，现在很明显COVID-19确实会引起脓毒症，因为它与直接病毒入侵有关。随着死亡率和年度医疗保健支出的显著增加，最近COVID-19大流行的激增使脓毒症治疗和研究成为医学和生物科学的关键领域[12，13]。这些深刻的临床意义和动机反映了在文献中发现了大量关于脓毒症诊断、治疗和事件预测的研究[14然而，这些研究每次集中于一个风险因素进行脓毒症的临床评估，限制了脓毒症检测的可能性，因为它需要复杂的推理和影响[18，19]。此外，在许多情况下此外，有证据表明，使用电子健康记录（EHR）的感染性休克早期预测模型在实践中不太有用，因为EHR数据通常包含系统性偏差，可能违反最先进的机器学习算法所此外，重症监护室（ICU）住院期间的混杂医疗干预可能会强烈影响预测结果[20]。解决感染性休克预测的不确定性在ICU监测中，检测单变量和多变量生理信号中的状态转换可以帮助临床医生了解过渡动力学和顺序事件的行为[21，22]。从本质上讲，生物系统易受自发和周期性转变的影响，这些转变可以是健康状态和病理状态之间的渐进或突然转变。生理参数的床旁监测允许宏观收集偶发事件，以捕获病理生理学并将其描绘为时间序列[22]。通过识别个体患者的生理信号结构之间的突变，我们可以帮助医生更多地关注关键转变。这些转变可能意味着检测到变化在由治疗引起的情况下或建议预先治疗不良事件。这些重要转变的准确检测可以促进早期诊断和干预，从而改善临床结果[22为了帮助临床医生导航患者研究了ICU中脓毒症的监测和干预，调查了治疗对患者的有效性，并回顾了（如果需要）ICU中脓毒症的监测和干预的治疗计划，提出了ICU脓毒症导航应用。该应用程序采用贝叶斯在线变点检测算法来检测生命体征中的单变量结构变化。在这里，为了便于导航患者的轨迹，我们遵循两个标准标准-脓毒症-3（qSOFA和SOFA）和脓毒症-2（SIRS）。除此之外，如果需要，临床医生可以在脓毒症谱中导航患者此外，从业人员可以详细审查他们的干预措施。此外，由于呼吸率是脓毒症-2和脓毒症-3之间唯一的共同参数，因此本申请将有助于从业者理解呼吸率如何与其他经常观察到的生理参数相关。本文主要集中在以下几个方面。第2节描述了软件体系结构、特性和功能。第3节描绘了说明性的例子，并讨论了如何这个应用程序可以帮助临床医生。科学和更广泛的影响在第4节中描述。最后，第5节结束。2. 软件描述由于脓毒症是一个广泛的术语，用于描述一个过程，尚未完全理解，由重症监护医学学会和欧洲重症监护医学学会召集的2016年工作组讨论了实用性，并强调了定义脓毒症-3的普遍性和易于因此，qSOFA和SOFA均反映了当前使用常规患者护理中提供的生理和生化检测的潜在动力学概念[1，25]。SepINav通过其入院ID识别患者。该应用程序插入医院EMR，可以提取患者的信息（以获得关于宿主因素的去识别化想法）、生命体征、实验室测试、干预和处方记录，以进行监测。在监测条件的同时，患者然后，从业者可以在时间轴中观察关于他们的干预的详细信息，其包括项目、类别、参数类型、量、量的测量单位、速率、速率的测量单位、订单组件类型、订单类别、患者体重、剂量量、剂量的测量单位和状态（继续/中断/停止）。为避免混淆，同时进行的多项干预单独表示。在干预可视化的正下方，从业者可以观察脓毒症谱中的患者状况。由于一些住院治疗和从业者尚未采用脓毒症诊断标准的最新理论进展，因此本申请为从业者提供了观察脓毒症-2和脓毒症-3中患者的状况。医生和研究人员将在左上方选择他们是否要监测脓毒症-2和脓毒症-3的病情[1，25]。对于脓毒症-3，谱具有三种临床状态：非脓毒症、脓毒症和脓毒性休克。另一方面，脓毒症-2谱涉及四种临床状态：非脓毒症、脓毒症、严重脓毒症和脓毒性休克。本申请严格遵循分别在2001年和2016年共识会议中为脓毒症-2和脓毒症-3提供的标准[1，25]。图1说明了用于检测脓毒症-3的不同临床状态的算法[1]。此外，该应用程序通过识别与脓毒症-2和脓毒症-3相关的所有生命体征和关键参数的数据流中发生结构变化的点，为从业者和研究提供便利。为了选择这个应用程序的变点检测算法，我们有几个标准。首先，该算法必须在线检测生理参数中的变化点;其准确性需要与可用的离线变化点检测算法。其次，算法应该具有将领域知识信息作为输入的规定，使得考虑该领域信息可以反映在利用检测到的变点中。第三，它必须对噪声具有鲁棒性，以便偶尔出现误报和异常值。第四，必须是Nazmus Sakib，Shiyu Tian，Md Munirul Haque等.软件X 14（2021）1006893Fig. 1.脓 毒症-诊断脓毒症和脓毒性休克患者的3项临床标准。可解释的和可解释的，使得理解算法的内部功能可以帮助根据问题的要求扩展算法。例如，对算法的直观理解允许高效地调整超参数。第五，变化点检测算法必须检测时间序列数据中的任何类型的变化，而不仅仅是均值或方差。我们的综合文献研究发现，只有贝叶斯在线变点检测算法符合所有标准[21，24，26]。与频率论方法不同，贝叶斯推断是一种数据驱动的方法，用于估计目标变量在数据驱动先验分布和后验分布时的行为这种更新是至关重要的，特别是对于数据流的动态分析[24]。这里，每个节点包括五个状态值-第一，新数据的概率密度函数（pdf）值;第二，计算的新分布值，在基础分布中将新数据分解;第三，危险值;第四，（具有变化点的数据流的）游程长度的增长概率，其表示为三个概率的乘积：游程长度持续到“r-1”的概率，在游程长度到达“r”之前没有危险发生的概率，pdf;以及第五，该特定节点的变化概率值。根据ICU专家的建议，如果EHR系统提供非常频繁（例如每分钟）的床旁生命体征数据，一些异常数据可能会影响我们检测变化点的结果。在这种情况下，我们对每十分钟的数据取平均值，以消除变化点检测方面的图2示出了用于检测由从业者提供的干预所反映的生理参数中的变化点的上下文定制的生理参数变化点检测算法[21，24，26]。3. 说明性实例对于该应用程序功能的说明性示例，我们使用MIMIC-III（版本1.4）：一个广泛的，单中心的，一个综合性的数据库，包括有关波士顿贝斯以色列迪康尼斯医疗中心重症监护室收治的患者的信息。麻省理工学院计算生理学和计算机科学实验室和人工智能实验室以及波士顿Beth Israel Deaconess医学中心信息系统的多学科合作努力背后的潜在动机是确保数据驱动的医学信息学研究的再现和提高质量[27]。图图3显示了界面的一部分，该部分有助于监测脓毒症-2谱中的患者状况和整个治疗过程中医生的详细干预。输入序列有助于了解进行了多少次单独干预。将脓毒症-2谱（非脓毒症、脓毒症、严重脓毒症和脓毒性休克）中的患者状况与干预时间线相结合进行可视化将促进更好地理解干预对个体患者状况的影响。在左上角，有一个选项可以选择患者的入院ID和一个导航选项，如Sepsis-2、Sepsis-3和相关的生命体征。在右上角，可以观察到在入院期间收集的有关患者的初步信息图图4示出了界面的一部分，其有助于在脓毒症-3谱（非脓毒症、脓毒症和脓毒性休克）中监测患者在提供脓毒症-2和脓毒症-3导航的两个界面中，该应用程序提供与脓毒症-2和脓毒症-3相关的个体生命体征和关键参数轨迹的可视化Nazmus Sakib，Shiyu Tian，Md Munirul Haque等.软件X 14（2021）1006894图二. 具有预测功能的上下文定制贝叶斯在线变点检测算法。脓毒症-3分别与干预时间轴整合。这将有助于研究干预对特定生理参数的影响。此外，根据上下文定制的贝叶斯在线变化点检测算法将提供数据流中发生结构变化的点 与脓毒症-2和脓毒症-3相关的所有生命体征和关键参数。图5（a）示出了在工具中可视化的患者的心率数据流（表示脓毒症-2的SIRS中的关键参数）中的变化点的快照以及背景中的相关科学计算（贝叶斯概率和运行长度）图图5（b）示出了患者的呼吸率数据流（表示脓毒症-3的qSOFA中的关键参数）中的变化点和相关的科学计算。除此之外，该工具还可以让医生了解其他常见的生命体征，如心率，格拉斯哥昏迷量表评分，收缩压，体温，白细胞计数，平均动脉压，胆红素，肌酐和P/F比值，与呼吸频率相关。我们选择呼吸频率作为标准参数来比较相关性，因为它是脓毒症-2和脓毒症-3中唯一常见的床旁生命体征。参数之间的潜在关系可能因患者而异（有些可能显示其他一些可能提供强非线性），或者它可能受到ICU中提供的干预的影响。图图6描绘了便于展示参数之间的相关性的界面（例如，与心率、格拉斯哥昏迷量表评分、动脉收缩压和温度）。在这里，可以看到整个数据的相关性（在安全区和脓毒症下）或仅选择安全区下的数据或满足脓毒症标准的数据。4. 影响和可持续性SepINav体现了弥合可解释性和计算复杂性之间的感知差距的一步，其核心是基于机器学习的医学信息学解决方案。它的代表是导航患者轨迹和从业者进行的干预以及检测可能预示感染性休克发作的生命体征变化点的设施这种疾病特异性和定制的工具对ICU监测和干预具有相当大的影响，因为脓毒症是由宿主因素和病原体因素以复杂的方式形成的，并导致异常的宿主反应。这些宿主因素包括年龄、性别、种族、合并症和不同的Nazmus Sakib，Shiyu Tian，Md Munirul Haque等.软件X 14（2021）1006895图三. 脓毒症-2中监测医生干预和患者轨迹的图示见图4。 脓毒症-3中监测医生干预和患者轨迹的图示遗传决定因素就治疗和干预而言，除了病原体因素之外，宿主因素影响干预的结果，例如将患者的状况从脓毒症改善为无脓毒症的努力可能导致患者的状况恶化并导致脓毒性休克。本申请解决了临床反应中的这种种内变异性，支持并非所有场景的一种治愈（干预）（考虑宿主因素）。这一努力将帮助从业者导航他们的临床干预措施如何反映在患者由于一些住院治疗和从业者尚未采用脓毒症诊断标准的最新理论进展，因此该应用程序允许从业者观察脓毒症-2和脓毒症-3方面的患者除了脓毒症-2和脓毒症-3外，它还将帮助医生根据床边监测中可用的常见生命体征来导航患者弹道同样，为了对个体化治疗动态有一个细致的看法，ICU专家经常建议，了解个体患者的不同生命体征如何相互关联以及这些相互关系如何受到干预和治疗的该应用程序增加了个人级别典型生命体征的范围，以便于ICU监测和干预。除此之外，由于该工具是由EMR数据驱动的，因此它开辟了两个功能范围：首先，帮助从业者监测和干预现有的脓毒症患者，其次，对以前的患者进行回顾性研究，以研究为目的，并为ICU中面临的不同脓毒症场景寻求合理性。从解决方案的可持续性方面来看，变点检测有可能解决使用EMR开发基于机器学习的预测模型时面临的挑战和陷阱。中可用的粒度测量Nazmus Sakib，Shiyu Tian，Md Munirul Haque等.软件X 14（2021）1006896图五. 使 用 b a i d u 在 线 变 化 点 检 测 算 法 检测患者生 命 体 征 中 的 结 构 变 化 。见图6。 说明观察脓毒症关键生命体征之间相关性的选项。EMR用于早期预测和风险分层、资源优化和生物标志物发现。从好的方面来看，使用EMR训练和评估早期检测系统比使用对照研究的数据有几个好处，即丰富的可用数据，零数据收集成本，以及广告的隐私问题。然而，虽然盲目依赖于EMR中可用的症状和生命体征数据，但混淆的医疗干预可能会掩盖基本事实标签，尽管这是必要的Nazmus Sakib，Shiyu Tian，Md Munirul Haque等.软件X 14（2021）1006897在预测系统的训练和评估阶段解决混杂医学干预（CMI）是从业者执行的可能影响与关注结局相关风险的干预措施，例如针对脓毒症和脓毒性休克给予升压药和广谱抗生素在CMI之后，不容易区分处于风险中但现在由于抗生素治疗而接受治疗的患者和由于护理人员的保守判断而接受不必要治疗同样，如果不考虑这种掩蔽，考虑N小时数据来预测M小时后患者从N+1 h到M-1 h的CMI可以在很大程度上误导预测情况。以类似的方式，在来自一个系统的数据上训练的模型可能不会推广到另一个系统。我们强调SepINav中引入的变点检测就CMI而言，在患者监测、早期体征检测和干预方面是一种更可持续的解决方案。此外，它为用户提供了灵活性，考虑到不同实践中的在某种程度上，该应用程序可以激发新的和更好的软件，以解决患者监测和风险分层中的不同挑战和陷阱。5. 结论我们介绍了SepINav，这是一种数据驱动的软件工具，允许ICU医生导航脓毒症患者的轨迹，考虑脓毒症-2和脓毒症-3作为代表。它有助于导航，因为从业者可以观察他们的干预措施对脓毒症谱中患者状况的影响。我们强调，病人的生命体征的结构性变化此工具有助于使用贝叶斯在线变点检测来捕获这些变点。该应用证明了其有效性（a）在监测和干预现有脓毒症患者和（b）进行回顾性研究，用于研究目的，并寻求ICU中面临的不同脓毒症情况的依据。竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作致谢这项工作得到了Marquette University，美国研究生院院长研究增 强 奖 2020 的 部 分 支 持 ， 并 得 到 了 美 国 Marquette UniversityUbicomp实验室的资助。作者也感谢Ubicomp实验室同事的研究协助和建议马奎特大学、印第安纳波利斯大学R B安妮斯工程学院和中佛罗里达大学医学院。引用[1] SingerM ， Deutschman CS ， Seymour C， Shankar-Hari M ， Annane D ，Bauer M，et al. The third international consensus definitions for sepsis andsepticshock（sepsis-3）. JAMA-美国医学和妇科杂志2016;315（8）：801[2] Liu V，Escobar GJ，Greene JD，Soule J，Whippy A，Angus DC，et al. 来自 2个独立队列的脓毒症患者的院内死亡。JAMA2014;312（1）：90-2。[3] Angus DC ， Linde-Zereble WT ， Lidicker J ， Clermont G ， Carcillo J ，Pinsky MR. 美国严重脓毒症的流行病学：发病率、结局和相关护理费用分析阅读在线重症监护医学会重症监护医学2001;29（7）：1303-10。[4][11] Chang C，Dantes R，Epstein L，Murphy DJ，Seymour CW，IwashynaTJ，et al. 2009 -2014年使用临床与索赔数据的美国医院败血症发病率和趋势。JAMA2017;318（13）：1241-9。[5]Rhee C ， Jones TM ， Hamad Y ， Pande A ， Varon J ， O'Brien C ， et al.Prevalence ， underlying causes ， and preventability of sepsis-associatedmortality in US acute care hospitals. JAMA netw open2019;2（2）：e187571.[6]Aakre CA，Kitson JE，Li M，Herasevich V.脓毒症检测中自动序贯器官衰竭评估评分计算器的迭代用户界面设计。JMIR风险因素2017;4（2）：e14。[7][10] Celi LA ， Davidzon G ， Johnson AEW ， Komorowski M ， MarshallDC，Nair SS，etal. 弥合健康数据鸿沟。J Med Internet Res 2016;18（12）：e325。[8]Hall MJ，Williams SN，DeFrances CJ，Golosinskiy A.败血症或败血症的住院治疗：对患者和医院的挑战[9]罗 克 维 尔 湾 HCUP 全 国 住 院 患 者 样 本 （ NIS ） 。 医 疗 成 本 和 利 用 项 目（HCUP）。Rockville，MD：医疗保健研究和质量机构。[10]Torio CM，Moore BJ.全国住院费用：支付者最昂贵的条件，2013年：统计简报#204。卫生保健成本和利用项目（HCUP）统计简报。美国医疗保健研究和质量机 构 （美国）Rockville（MD）; 2006年，第 1 0 0 页。2006-16年。[11] 研究称，全球每5例死亡中就有1例是由于败血症。有线电视新闻网; 2020年，https://edition.cnn.com/2020/01/16/health/sepsis-deaths-global-study/index.html。[12]Alhazzani W，Møller MH，Arabi YM，Loeb M，Gong MN，Fan E，等. 生存败血症运动：2019年冠状病毒病（COVID-19）重症成人管理指南。重症监护医学2020;1-34。[13][10]杨文军，王晓，王晓刚，王晓刚. 1例新冠肺炎患者发生迟发性新生儿败血症。New EnglJ Med2020;382（19）：e49。[14][10]李文辉，李文辉. 解开qSOFA参数中的患病率和二分法：朝着ICU中多参数智能脓毒症预测迈出的一步。在：2019 IEEE EMBS生物医学&健康信息学国际会议（BHI）。IEEE;2019，p. 一比四[15]Hwang SY，Shin J，Jo IJ，Park JE，Yoon H，Cha WC，et al.急诊科重症脓毒症患者的延迟抗生素治疗和器官功能障碍。临床医学杂志2019;8（2）：222。[16]Kalil AJ，Dias VMdCH，Rocha CdC，Morales HMP，Fressatto JL，FariaRAD. 脓毒症风险评估：认知风险管理机器人（机器人laur abaur）在临床外科单位实施后的回顾性分析。Res Biomed Eng 2018;34（4）：310[17]Feldman SS，Buchalter S，Hayes LW.卫生信息技术在医疗质量和患者安全中的应用：文献综述。JMIR Med Inform2018;6（2）：e10264。[18]Madrigal L，Escoffery C.美国成年慢性病患者的电子健康行为：横断面调查JMed Internet Res2019;21（3）：e11240。[19][10]张文辉，张文辉.未来重症监护病房病人监护的临床要求：定性研究。JMIRMed Inform2019;7（2）：e13064。[20]放大图片作者：J.使用电子病历开发预测模型：挑战与陷阱。收录于：AMIA年度研讨会论文集。2013，美国医学信息学协会; 2013，p. 1109号[21]Aminikhanghahi S ， Cook DJ. 时 间 序 列 变 点 检 测 方 法 综 述 。 Knowl InfSyst2017;51（2）：339-67.[22]作者：Jiang J，Jiang J，Jiang J. BayesIan在线生理转变的变点检测。在：2018年第40届IEEE医学和生物学工程学会（EMBC）年度国际会议。IEEE; 2018，p. 45比8[23]杨晓萍，李晓萍. 临床脑电信号的自动自适应分割。脑电图临床神经生理学1981;51（5）：512-25。[24]亚当斯RP，麦凯DJC。贝叶斯在线变点检测。arXiv预印本arXiv：0710.3742。[25]Shankar-Hari M ， Phillips GS ， Levy ML ， Seymour CW ， Liu VX ，Deutschman CS，et al.和评估感染性休克的新临床标准JAMA 2016;315（8）：775，http://jama.jamanetwork.com/article.aspx?doi=10.1001/jama.2016.0289。[26]van den Burg GJJ ， Williams CKI. 变 化 点 检 测 算 法 的 评 估 ， arXiv 预 印 本arXiv：2003.06222。[27]Johnson AEW，Pollard TJ，Shen L，Lehman LWH，Feng M，GhassemiM，et al. MIMIC-III是一个可免费访问的重症监护数据库。Sci Data2016;3：1-9.