Risk Stratification for ICU Delirium using Pervasive Ambient Sensing Information

Resumen Técnico: Estratificación de Riesgo para el Delirio en la UCI mediante Información de Sensores Ambientales Persistentes

Planteamiento del Problema
El delirio es una complicación prevalente y grave en las Unidades de Cuidados Intensivos (UCI), vinculada con un aumento de la morbilidad, estancias hospitalarias prolongadas y costos sanitarios significativos (estimados entre 4 y 16 mil millones de dólares anuales). El diagnóstico actual depende del Método de Evaluación de la Confusión en la UCI (CAM-ICU), el cual es administrado por enfermeros, lo que deriva en mediciones dispersas (tan bajas como el 38% de los ingresos) e identificación retrospectiva solo después de que los síntomas se manifiestan. Aunque se sabe que factores ambientales como la luz y el sonido ambientales contribuyen a la disrupción circadiana, ningún estudio previo ha desarrollado un modelo de evaluación de riesgo que utilice específicamente estas variables ambientales (presión sonora e intensidad lumínica) para la predicción prospectiva.

Metodología
El estudio utilizó datos de dos estudios prospectivos de centro único (PAIN y ADAPT) realizados en el Hospital Shands de la Universidad de Florida entre mayo de 2019 y septiembre de 2024.

• Cohorte: El conjunto de datos ICU-ENV final comprendió 309 pacientes (247 en desarrollo, 62 en prueba) que eran mayores de 18 años, fueron admitidos en la UCI y se esperaba que permanecieran al menos 24 horas.
• Recolección de Datos:
  • Sensores Ambientales: La intensidad de la luz se recolectó mediante ActiGraph GTX3+ (estudio PAIN) y Thunderboard Sense 2 (estudio ADAPT). Los niveles de presión sonora se recolectaron mediante iPod Touch con AudioTools (PAIN) y Thunderboard Sense 2 (ADAPT).
• Verdad de Campo (Ground Truth): El estado de delirio se derivó diariamente de las historias clínicas electrónicas utilizando un algoritmo compuesto basado en la Escala de Agitación y Sedación de Richmond (RASS), la Escala de Coma de Glasgow (GCS) y las puntuaciones de CAM-ICU.
• Preprocesamiento:
  • Datos de Luz: Promediados en "día" (07:00–18:59) y "noche" (19:00–06:59).
  • Datos de Sonido: Convertidos en siete descriptores estadísticos: Máximo ($L_{max}$), Mínimo ($L_{min}$) y percentiles ($L_{99}, L_{90}, L_{50}, L_{10}, L_{01}$).
  • Ventaneo (Windowing): Los datos se completaron con ceros (zero-padding) a una ventana de observación de 7 días. Se definieron diez horizontes de predicción (1–7 días, 14, 21 y 28 días post-observación).
• Arquitectura del Modelo: Se evaluaron cuatro modelos secuenciales de redes neuronales: Long Short-Term Memory (LSTM), Gated Recurrent Units (GRU), Red Neuronal Convolucional (CNN) y Transformer. El modelo CNN demostró un rendimiento superior.
• Interpretabilidad: Se empleó el análisis de Explicaciones de Shapley Aditivas (SHAP) para determinar la importancia de las características y la dirección de la influencia.

Resultados Clave

• Rendimiento del Modelo: La Red Neuronal Convolucional (CNN) logró la mayor capacidad de discriminación en todos los conjuntos de datos.
  • Modelo Solo Sonido: Logró un AUC de 0.80, con su máximo rendimiento en la ventana de predicción de 28 días.
  • Modelo Solo Luz: Mostró un rendimiento moderado, alcanzando su punto máximo en una ventana de predicción de 5 días.
  • Modelo Combinado (Sonido + Luz): Logró las puntuaciones más altas de estratificación de riesgo en una ventana de predicción de 7 días. Si bien el modelo combinado redujo ligeramente la precisión de clasificación general en comparación con el modelo solo de sonido, mejoró significamente la detección temprana del riesgo.
• Estratificación de Riesgo: El modelo combinado asignó el riesgo relativo (RR) más alto inmediatamente después del periodo de detección (Día 1), con un RR 1.8 veces mayor que el modelo solo de sonido y 2.6 veces mayor que el modelo solo de luz.
• Importancia de las Características (Análisis SHAP):
  • Sonido: Las características de sonido fueron los predictores dominantes. Específicamente, el $L_{90}$ diurno (sonido de primer plano sostenido) y el $L_{max}$ nocturno fueron predictores positivos significativos. Por el contrario, el $L_{min}$ diurno (sonido de fondo) fue un predictor negativo.
  • Luz: La intensidad de luz diurna fue más importante que la intensidad de luz nocturna.
  • Interacción: En el modelo combinado, las características de sonido siguieron siendo más informativas que las de luz.

Significancia y Reivindicaciones
Los autores afirman que este es el primer estudio que investiga la viabilidad de predecir la incidencia del delirio en la UCI y estratificar el riesgo utilizando únicamente factores ambientales (luz y sonido).

• Utilidad Clínica: El estudio demuestra que la detección ambiental pasiva, particularmente el sonido, proporciona una señal clínicamente significativa e interpretable para la estimación del riesgo de delirio.
• Intervención Temprana: La integración de los datos de sonido con los de luz ofrece una vía práctica para enriquecer las estrategias multimodales en la UCI, asignando puntuaciones de riesgo más altas en puntos temporales más tempranos (inmediatamente después de la detección), lo que puede facilitar intervenciones más tempranas.
• Limitaciones: Los autores reconocen que el tamaño de muestra modesto (309 pacientes) limita la robustez de los modelos y evita el entrenamiento con un gran número de parámetros para evitar el sobreajuste (overfitting). También señalan posibles efectos de lote entre sensores, particularmente respecto a las distribuciones de intensidad lumínica, lo que pudo haber contribuido al menor rendimiento de los modelos de solo luz.

Conclusión
Este trabajo establece una base para el uso de la detección persistente en la UCI para monitorear el riesgo de delirio. Si bien los niveles de presión sonora demostraron ser el principal motor de la precisión predictiva, la integración de los datos de luz mejora la resolución temporal de la evaluación del riesgo, ofreciendo un enfoque de monitoreo continuo y no invasivo para complementar las evaluaciones clínicas existentes.