Use of microcirculation pressure signal analysis for preemptive diagnosis of sepsis in ICU

Abstract

Sepsis is a life-threatening medical condition that affects between 13% and 39% of patients in ICU, it’s mortal in more than 30% of the cases. Its early detection is crucial to alert the medical staff and promptly administering the right pharmacological treatment.

Previous research has investigated the role of patient’s physiological signals and the discrete electronic health records. Even though the results seem promising many of those works mostly summarize the medical criteria for sepsis diagnosis in a ML model, inertly introducing a circularity issue by defining a ground truth in the training set without really acquiring new knowledge.

In this work we only use PPG signals to avoid the circularity problem. The dataset used is a subset of the MIMIC-III database containing the waveforms matched with the correspondent patient. We have divided the data in group 1, people died of sepsis, and group 2, people hospitalized for mental health related problems supposedly not related to sepsis.

This heterogeneous data needs to be pre-processed before any additional analysis. To this end, we have adopted a statistical approach that discards segments where the variability of amplitude and distance between systolic and diastolic peaks is too high and, so, not physiological feasible.

Firstly, an autoencoder has been trained with the cleaned segments from the control group to obtain a representation of the “healthy” patient. Then, raw signals coming from both groups were divided into segments and provided to the autoencoder to evaluate possible differences in terms of probability density function of the autoencoder’s reconstruction loss. This has been done by training an XGBoost classifier with the principal components of the PDF. The F1-Score obtained was 61%, insufficient to discern the two groups but enough to confirm the hypothesis that the autoencoder can be used for pre-processing and maintain some difference between the septic and control group. In fact, we have found that segments in which the reconstruction error is greater than a threshold are characterized by high noise. All the signals, where the reconstruction error of the autoencoder is less than the threshold, are then inputted to an LSTM-based model. The accuracy was 76%, enough to differentiate the two groups.

This work lays the foundation for a sepsis identification framework based only on PPG signals and confirms the hypothesis that those inputs alone can discern between septic and non-septic patients with a good amount of certainty.

La sepsi è un problema sanitario che colpisce dal 13% al 39% dei pazienti ricoverati. Essa è mortale in più del 30% dei pazienti nei quali si manifesta. Anticiparne i sintomi è di fondamentale importanza per il personale sanitario in modo da fornire prontamente il corretto trattamento farmacologico.

Precedenti ricerche hanno investigato il ruolo dei segnali fisiologici dei pazienti ad i valori discreti degli electronic health records. Anche se i risultati sembrano promettenti, molti di questi lavori non fanno altro che sintetizzare in un modello le relative linee guida per la diagnosi, utilizzandole a priori per definire la ground truth nel training set. Questo non permette al modello di apprendere nuova conoscenza ed introduce un problema di circolarità.

In questa ricerca sono stati utilizzati i soli segnali PPG per evitare il problema di circolarità sopracitato. Il dataset utilizzato è un sottoinsieme del MIMIC-III contenente le forme d’onda abbinate ai corrispondenti pazienti. Abbiamo diviso i dati in gruppo 1, pazienti deceduti per sepsi e gruppo 2, pazienti ricoverati per problemi mentali non riconducibili alla sepsi.

I dati eterogenei devono essere pre-processati prima di qualsiasi analisi. A questo scopo, abbiamo adottato un approccio statistico che scarta segmenti dove la variabilità di ampiezza o distanza fra picchi è troppo elevata e, perciò, non fisiologica.

Inizialmente è stato allenato un autoencoder con i segnali puliti del gruppo di controllo, in modo da apprendere una rappresentazione interna del paziente “sano”. Successivamente, i segnali originali di entrambi i gruppi sono stati divisi in segmenti e forniti all’autoencoder per valutare possibili differenze in termini di funzione di distribuzione di probabilità dell’errore di ricostruzione dell’autoencoder. Ciò è stato fatto allenando un classificatore XGBoost con le componenti principali della PDF. L’F1-Score ottenuto è del 61%, insufficiente per differenziare i gruppi ma abbastanza per confermare l’uso dell’autoencoder come metodo per pre-processare i dati e mantenere una differenza fra i tipi di pazienti. Abbiamo infatti osservato che segmenti con alto errore di ricostruzione sono principalmente caratterizzati da rumore. Tutti i segnali con errore di ricostruzione minore di una soglia sono stati utilizzati per l’allenamento e la valutazione di un modello basato su LSTM. L’accuratezza, in questo caso, arriva al 76%, sufficiente per discernere in due gruppi.

Questo lavoro pone le basi per un sistema di identificazione della sepsi basato sui soli segnali PPG e conferma l’ipotesi che queste informazioni, da sole, possono discernere fra pazienti settici e non settici con un buon livello di accuratezza.