Creating Clinically Labeled MIMIC-III PPG Datasets for CAD and CVD Research: A Reproducible Workflow

Technische Samenvatting: Het creëren van klinisch gelabelde MIMIC-III PPG-datasets voor CAD en CVD-onderzoek

Probleemstelling
Ondanks de brede beschikbaarheid van fotoplethysmograaf-signalen (PPG) in publieke datasets, is er een aanzienlijk tekort aan middelen die patiëntniveau PPG-golfvormen combineren met klinisch betekenisvolle labels voor coronaire arterieelaterale ziekte (CAD) en bredere cardiovasculaire ziekten (CVD). Bestaande publieke datasets zijn primair ontworpen voor hartslagschatting, stressherkenning of cuff-loze bloeddrukvoorspelling, en missen de gestructureerde diagnosecodes en patiëntniveau-aggregatie die nodig zijn voor de constructie van ziektecohorten. Bovendien beperkt het gebrek aan transparante documentatie over preprocessing, de logica van diagnosecodes en de scheiding op patiëntniveau in bestaande bronnen de reproduceerbaarheid en brengt het risico op informatielekken met zich mee wanneer golfvormvensters van dezelfde proefpersoon over verschillende analysepartities worden gebruikt.

Methodologie
De auteurs presenteren een vijfstaps reproduceerbare workflow voor het construeren van klinisch gelabelde PPG-datasets uit de gekoppelde waveform- en klinische componenten van de MIMIC-III database. De workflow is geïmplementeerd in Python en is ontworpen om lokaal te kunnen worden opnieuw uitgevoerd door geautoriseerde gebruikers.

1. Extractie van PPG-golfvormen:

   • Golfvormen werden geëxtraheerd uit de MIMIC-III gekoppelde waveform-database (mimic3wdb-matched/1.0) met behulp van WFDB API's.
   • De workflow identificeerde PPG-kanalen door te zoeken naar "PLETH" of "PPG" in kanaalnamen.
   • Records werden verwerkt om de eerste acht minuten van eindige samples te behouden. De eerste twee minuten werden weggegooid, en minuten 3–8 werden behouden als een segment van zes minuten.
   • Kwaliteitscontrole: Segmenten werden uitgesloten als de standaarddeviatie lager was dan 0,01 of de peak-to-peak amplitude lager was dan 0,05.
   • Geaccepteerde zes-minuten segmenten werden opgesplitst in zes vensters van één minuut (ppg_min_3 tot en met ppg_min_8).

2. Demografische koppeling:

   • Waveform-rijen werden gekoppeld aan de PATIENTS- en ADMISSIONS-tabellen met behulp van SUBJECT_ID.
   • Geslacht werd direct gemerged vanuit PATIENTS.
   • Leeftijd werd berekend op basis van de vroegste opname-tijd en de geboortedatum. Leeftijden >300 (gedeïdentificeerd) werden gemapt naar 90, en leeftijden >89 werden gegroepeerd als 90 voor analyse.

3. Diagnosegebeurtenissen en Labeling:

   • Labels werden afgeleid uit de DIAGNOSES_ICD-tabel gekoppeld aan ADMISSIONS.
   • Strikte CAD-label: Toegewezen als een patiënt een ICD-9 code had die begon met 4140 (Coronaire atherosclerose).
   • Brede CVD-label: Toegewezen als een patiënt ICD-9 codes had die begonnen met 410–414 (Ischemische hartziekte), 420–429 (Andere hartziekten), of 440–448 (Arteriële ziekten).
   • Comorbiditeiten: Vlaggen voor Diabetes (250), Hoog Cholesterolgehalte (272) en Obesitas (278) werden gegenereerd op subjectniveau.
   • Label Toewijzingslogica: Omdat geëxtraheerde PPG-rijen geen expliciete tijdstempels of opname-ID's bevatten om specifieke diagnosegebeurtenissen te matchen, werden labels toegewezen op SUBJECT_ID-niveau. Een subject werd als positief gelabeld als er enige relevante bewijslast voor een diagnose aanwezig was in hun dossier.

4. Aggregatie op patiëntniveau:

   • Om informatielekken te voorkomen, reduceerde de workflow meerdere waveform-records per subject tot één geselecteerd record per SUBJECT_ID.
   • Een deterministische beveiliging sorteerde op record_id om reproduceerbaarheid te garanderen indien er dubbele rijen voorkwamen.
   • De uiteindelijke output bestaat uit één rij per patiënt met demografie, binaire ziekte/comorbiditeit-labels en zes één-minuut PPG-vensters.

5. EDA en Validatie:

   • De definitieve datasets ondergingen validatie voor uniekheid op patiëntniveau, integriteit van binaire labels, case-control consistentie en volledigheid van waveform-vensters.

Belangrijkste Bijdragen

• Reproduceerbare Workflow: Een gedocumenteerde, end-to-end pijplijn voor het extraheren, filteren en labelen van PPG-data uit MIMIC-III, beschikbaar via een GitHub-repository.
• Twee Distincte Cohorten:
  • Een Strikte CAD Dataset gericht op specificiteit (ICD-9 4140), waarbij onopgeloste cardiovasculaire gevallen uit de controlegroep zijn uitgesloten.
  • Een Brede CVD Dataset gericht op dekking (ICD-9 410–448), omvattende ischemische hartziekte, andere hartcondities en arteriële ziekten.
• Lekken-bewust Ontwerp: Aggregatie op patiëntniveau zorgt ervoor dat waveform-vensters van dezelfde proefpersoon niet als onafhankelijke samples in trainings-/testsplits verschijnen.
• Rijke Metadata: De vrijgegeven CSV-bestanden bevatten leeftijd, geslacht, comorbideit-vlaggen, waveform-metadata (samplingsfrequentie, bronrecord) en de zes één-minuut PPG-vensters.

Resultaten
De studie produceerde twee definitieve patiëntniveau-datasets:

• Strikte CAD Dataset: Bevat 3.465 unieke patiënten (1.625 CAD-positieve, 1.840 controles).
  • CAD-positieve subjecten waren significant ouder (70,8 ± 12,6 jaar) dan controles (55,3 ± 17,1 jaar), met een grote effectgrootte (Cohen's d = 1,02).
  • CAD-positieve subjecten vertoonden een hogere prevalentie van diabetes (44,6% vs. 20,1%), hoog cholesterol (63,1% vs. 24,2%) en obesitas.
• Geïmplementeerde CVD Dataset: Bevat 5.456 unieke patiënten (3.616 CVD-positieve, 1.840 controles).
  • De CVD-positieve groep was ook significant ouder (68,4 ± 14,8 jaar) dan de controles (55,3 ± 17,1 jaar), met een Cohen's d = 0,84.
  • Dit cohort vertegenwoordigt 66,3% CVD-positieve gevallen.
• Signaalkenmerken: Alle behouden records bevatten zes één-minuut vensters gesampled op 125 Hz.

Betekenis en Claims
De auteurs positioneren dit werk niet als een predictief model of een benchmark voor algoritmische prestaties, maar als een dataset-bijdrage-bron. De primaire betekenis ligt in het verlagen van de drempel voor onderzoekers die geïnteresseerd zijn in klinisch gekoppelde PPG-analyse. Door een transparante, gedocumenteerde workflow te bieden die complexe taken zoals waveform-extractie, kwaliteitsfiltering, klinische tabelkoppeling en ICD-9 labelconstructie afhandelt, stelt de studie onderzoekers in staat om deze specifieke cohorten te regenereren.

De auteurs benadrukken dat de datasets bedoeld zijn om toekomstige biomedische engineering-studies met uit MIMIC afgeleide fysiologische golfvormen te ondersteunen. Ze merken expliciet op dat de bron de voorkeur geeft aan "transparante cohortconstructie en lekken-bewuste patiëntorganisatie" boven uitgebreide temporele fenotypering. Het artikel erkent beperkingen, waaronder het retrospectieve karakter van de data, het gebruik van ICD-9 codes wat onzekerheid in codering kan introduceren, en het onvermogen om de temporele uitlijning tussen de specifieke PPG-golfvorm en de diagnose-opname te verifiëren vanwege ontbrekende tijdstempels in de geëxtraheerde rijen. Daarom adviseren de auteurs gebruikers om rekening te houden met leeftijd en geslacht als verstorende variabelen (confounders) en om de interpretatie van modelprestaties als ziekte-specifiek signaalbewijs te vermijden zonder passende correctie.