Futuras aplicaciones clínicas: ¿Y si pudiésemos prevenir la hipotensión arterial en función de algoritmos desarrollados a partir de las formas de la onda de presión arterial?

Machine-learning Algorithm to Predict Hypotension Based on High-fidelity Arterial Pressure Waveform Analysis

Resumen

Material: con algoritmos apropiados, los sistemas informáticos pueden aprender a detectar patrones y asociaciones en conjuntos de datos grandes. El objetivo de los autores fue aplicar el aprendizaje automático a las formas de onda de presión arterial y crear un algoritmo para predecir la hipotensión. El algoritmo detecta alteraciones tempranas en formas de onda que pueden anunciar el debilitamiento de los mecanismos compensatorios cardiovasculares que afectan la precarga, la poscarga y la contractilidad.

Método: El algoritmo se desarrolló con dos fuentes de datos diferentes: una cohorte retrospectiva, utilizada para el entrenamiento, que consta de 1.334 registros de pacientes con 545.959 min de registro de forma de onda arterial y 25.461 episodios de hipotensión; y  una cohorte de hospital local prospectiva utilizada para la validación externa, que consta de 204 registros de pacientes con 33,236 min de registro de forma de onda arterial y 1.923 episodios de hipotensión. El algoritmo relaciona un gran conjunto de características calculadas desde la forma de onda de presión arterial de alta fidelidad hasta la predicción de un evento hipotensivo próximo (presión arterial media <65 mmHg). El análisis de la curva característica operativa del receptor evaluó el éxito del algoritmo en la predicción de la hipotensión, definida como la presión arterial media inferior a 65 mmHg.

Resultados: Utilizando 3,022 características individuales por ciclo cardíaco, el algoritmo predijo hipotensión arterial con una sensibilidad y especificidad del 88% (85 a 90%) y 87% (85 a 90%) 15 minutos antes de un evento hipotensivo (área debajo de la curva, 0,95 [0,94 a 0,95]); 89% (87 a 91%) y 90% (87 a 92%) 10 minutos antes (área bajo la curva, 0,95 [0,95 a 0,96]); 92% (90 a 94%) y 92% (90 a 94%) 5 minutos antes (área debajo de la curva, 0,97 [0,97 a 0,98]).

Conclusiones: Los resultados demuestran que se puede realizar un algoritmo de aprendizaje automático, con grandes conjuntos de datos de ondas arteriales de alta fidelidad, para predecir la hipotensión en los registros de pacientes quirúrgicos.

ABSTRACT

Background: With appropriate algorithms, computers can learn to detect patterns and associations in large data sets. The authors’ goal was to apply machine learning to arterial pressure waveforms and create an algorithm to predict hypotension. The algorithm detects early alteration in waveforms that can herald the weakening of cardiovascular compensatory mechanisms affecting preload, afterload, and contractility.

Methods: The algorithm was developed with two different data sources: (1) a retrospective cohort, used for training, consisting of 1,334 patients’ records with 545,959 min of arterial waveform recording and 25,461 episodes of hypotension; and (2) a prospective, local hospital cohort used for external validation, consisting of 204 patients’ records with 33,236 min of arterial waveform recording and 1,923 episodes of hypotension. The algorithm relates a large set of features calculated from the highfidelity arterial pressure waveform to the prediction of an upcoming hypotensive event (mean arterial pressure < 65 mmHg). Receiver-operating characteristic curve analysis evaluated the algorithm’s success in predicting hypotension, defined as mean arterial pressure less than 65 mmHg.

Results: Using 3,022 individual features per cardiac cycle, the algorithm predicted arterial hypotension with a sensitivity and specificity of 88% (85 to 90%) and 87% (85 to 90%) 15 min before a hypotensive event (area under the curve, 0.95 [0.94 to 0.95]); 89% (87 to 91%) and 90% (87 to 92%) 10 min before (area under the curve, 0.95 [0.95 to 0.96]); 92% (90 to 94%) and 92% (90 to 94%) 5 min before (area under the curve, 0.97 [0.97 to 0.98]).

Conclusions: The results demonstrate that a machine-learning algorithm can be trained, with large data sets of high-fidelity arterial waveforms, to predict hypotension in surgical patients’ records