Risk Stratification for ICU Delirium using Pervasive Ambient Sensing Information

Technische Samenvatting: Risicostratificatie voor IC-delirium met behulp van alomvattende omgevingsinformatie

Probleemstelling
Delirium is een veelvoorkomende en ernstige complicatie op de intensive care (IC), die wordt gekoppend aan verhoogde morbiditeit, verlengde ziekenhuisopnames en aanzienlijke zorgkosten (geschat op $4–16 miljard jaarlijks). De huidige diagnose berust op de Confusion Assessment Method ICU (CAM-ICU, die door verpleegkundigen wordt afgenomen), wat leidt tot schaarse metingen (zo tamelijk laag als 38% van de opnames) en retrospectieve identificatie pas nadat symptomen zich hebben gemanifesteerd. Hoewel omgevingsfactoren zoals omgevingslicht en geluid bekend staan als bijdragers aan circadiane verstoring en delirium, heeft geen enkele eerdere studie een risicobeoordelingsmodel ontwikkeld dat specifiek gebruikmaakt van deze omgevingsvariabelen (geluidsdruk en lichtintensiteit) voor prospectieve voorspelling.

Methodologie
De studie maakte gebruik van gegevens uit twee prospectieve, single-center studies (PAIN en ADAPT) uitgevoerd aan het University of Florida Shands Hospital tussen mei 2019 en september 2024.

• Cohort: De uiteindelijke ICU-ENV-dataset bestond uit 309 patiënten (247 in de ontwikkelingsfase, 62 in de testfase) die ouder waren dan 18 jaar, werden opgenomen op de IC en naar verwachting minstens 24 uur zouden verblijven.
• Gegevensverzameling:
  • Omgevingssensoren: Lichtintensiteit werd verzameld via Actigraph GTX3+ (PAIN-studie) en Thunderboard Sense 2 (ADAPT-studie). Geluidsdrukniveaus werden verzameld via iPod Touch met AudioTools (PAIN) en Thunderboard Sense 2 (ADAPT).
  • Grondwaarheid (Ground Truth): De deliriumstatus werd dagelijks afgeleid uit elektronische patiëntendossiers met behulp van een composietalgoritme gebaseerd op de Richmond Agitation Sedation Scale (RASS), de Glasgow Coma Scale (GCS) en CAM-ICU-scores.
• Preprocessing:
  • Lichtgegevens: Gemiddeld over "dagtijd" (07:00–18:59) en "nachttijd" (19:00–06:59).
  • Geluidsgegevens: Omgezet in zeven statistische beschrijvers: Maximum ($L_{max}$), Minimum ($L_{min}$) en percentielen ($L_{99}, L_{90}, L_{50}, L_{10}, L_{01}$).
  • Windowing: Gegevens werden met zero-padding voorzien tot een observatievenster van 7 dagen. Tien voorspellingshorizonten werden gedefinieerd (1–7 dagen, 14, 21 en 28 dagen na observatie).
• Modelarchitectuur: Vier opeenvolgende neurale netwerkmodellen werden geëvalueerd: Long Short-Term Memory (LSTM), Gated Recurrent Units (GRU), Convolutional Neural Network (CNN) en Transformer. Het CNN-model vertoonde de beste prestaties.
• Interpreteerbaarheid: Shapley Additive Explanations (SHAP)-analyse werd toegepast om de belangrijkheid van kenmerken en de richting van invloed te bepalen.

Belangrijkste Resultaten

• Modelprestaties: Het Convolutional Neural Network (CNN) behaalde de sterkste discriminatie over alle datasets.
  • Alleen-geluid-model: Behaalde een AUC van 0,80, met piekprestaties in het 28-dagen voorspellingsvenster.
  • Alleen-licht-model: Toonde matige prestaties, met een piek in het 5-dagen voorspellingsvenster.
  • Gecombineerd (Geluid + Licht) model: Behaalde de hoogste risicostratificatiescores bij een 7-dagen voorspellingsvenster. Hoewel het gecombineerde model de algehele classificatienauwkeurigheid iets verminderde vergeleken met het alleen-geluid-model, verbeterde het de vroege risicodetectie aanzienlijk.
• Risicostratificatie: Het gecombineerde model kende het hoogste relatieve risico (RR) direct na de sensorperiode (Dag 1), waarbij de RR 1,8 keer hoger was dan die van het alleen-geluid-model en 2,6 keer hoger dan die van het alleen-licht-model.
• Kenmerkbelang (SHAP-analyse):
  • Geluid: Geluidskenmerken waren de dominante voorspellers. Met name de $L_{90}$ tijdens de dag (aanhoudend voorgrondgeluid) en de $L_{max}$ tijdens de nacht waren significante positieve voorspellers. Daarentegen was de $L_{min}$ tijdens de dag (achtergrondgeluid) een negatieve voorspeller.
  • Licht: Lichtintensiteit overdag was belangrijker dan lichtintensiteit tijdens de nacht.
  • Interactie: In het gecombineerde model bleven geluidskenmerken informatiever dan lichtkenmerken.

Significantie en Claims
De auteurs stellen dat dit de eerste studie is die de haalbaarheid onderzoekt van het voorspellen van de incidentie van IC-delirium en het stratificeren van risico met uitsluitend omgevingsfactoren (licht en geluid).

• Klinische Bruikbaarheid: De studie toont aan dat passieve omgevingsdetectie, met name geluid, een klinisch betekenbaar en interpreteerbaar signaal biedt voor de schatting van deliriumrisico.
• Vroege Interventie: Het integreren van geluid met lichtgegevens biedt een praktisch pad om multimodale IC-strategieën te verrijken door hogere risicoscores toe te kennen op eerdere tijdstippen (onmiddellijk na de sensing-periode), wat vroege interventies kan faciliteren.
• Beperkingen: De auteurs erkennen dat de bescheiden steekproefgrootte (309 patiënten) de robuustheid van de modellen beperkt en training met een groot aantal parameters verhindert om overfitting te voorkomen. Ze merken ook op dat er mogelijke batch-effecten tussen sensoren kunnen zijn, met name met betrekking tot de verdeling van lichtintensiteit, wat mogelijk heeft bijgedragen aan de lagere prestaties van de alleen-licht-modellen.

Conclusie
Dit werk legt een fundament voor het gebruik van pervasive sensing op de IC om deliriumrisico te monitoren. Hoewel geluidsdrukniveaus de primaire drijfveer van voorspellende nauwkeurigheid bleken te zijn, verbetert de integratie van lichtgegevens de temporele resolutie van de risicobeoordeling, wat een niet-invasieve, continue monitoringmethode biedt ter aanvulling op bestaande klinische beoordelingen.