Journal Information
Vol. 48. Issue 4.
Pages 191-199 (April 2024)
Share
Share
Download PDF
More article options
Visits
7
Vol. 48. Issue 4.
Pages 191-199 (April 2024)
Original article
Prediction and simulation of PEEP setting effects with machine learning models
Predicción y simulación de los efectos de la configuración de la PEEP con modelos de aprendizaje automático
Visits
7
Claas Händela,b,
Corresponding author
claas.strodthoff@uksh.de

Corresponding author.
, Inéz Frerichsa, Norbert Weilera, Björn Berghb
a Department of Anaesthesiology and Intensive Care Medicine, University Medical Centre Schleswig-Holstein, Campus Kiel, Kiel, Germany
b Department of Medical Informatics, University Medical Centre Schleswig-Holstein, Campus Kiel, Kiel, Germany
This item has received
Article information
Abstract
Full Text
Bibliography
Download PDF
Statistics
Figures (3)
Show moreShow less
Tables (1)
Table 1. Performance of models for both setups. Significantly better (lower) metrics highlighted.
Additional material (6)
Abstract
Objective

To establish a new machine learning-based method to adjust positive end-expiratory pressure (PEEP) using only already routinely measured data.

Design

Retrospective observational study.

Setting

Intensive care unit (ICU).

Patients or participants

51811 mechanically ventilated patients in multiple ICUs in the USA (data from MIMIC-III and eICU databases).

Interventions

No interventions.

Main variables of interest

Success parameters of ventilation (arterial partial pressures of oxygen and carbon dioxide and respiratory system compliance)

Results

The multi-tasking neural network model performed significantly best for all target tasks in the primary test set. The model predicts arterial partial pressures of oxygen and carbon dioxide and respiratory system compliance about 45 min into the future with mean absolute percentage errors of about 21.7%, 10.0% and 15.8%, respectively. The proposed use of the model was demonstrated in case scenarios, where we simulated possible effects of PEEP adjustments for individual cases.

Conclusions

Our study implies that machine learning approach to PEEP titration is a promising new method which comes with no extra cost once the infrastructure is in place. Availability of databases with most recent ICU patient data is crucial for the refinement of prediction performance.

Keywords:
Machine learning
Neural network models
Mechanical ventilation
Intensive care units
Resumen
Objetivo

Establecer un nuevo método basado en el aprendizaje automático para ajustar la presión positiva al final de la espiración (PEEP según sus siglas en inglés) utilizando únicamente datos ya obtenidos de forma rutinaria.

Diseño

Estudio retrospectivo de observación.

Ámbito

Unidad de cuidados intesivos (UCI)

Pacientes o participantes

51811 pacientes ventilados mecánicamente en múltiples UCIs de EE.UU. (tomados de las bases de datos MIMIC-III y eICU).

Intervenciones

Sin intervenciones.

Variables de interés principales

Parametros de éxito de la ventilación (presiones parciales arteriales de oxígeno y dióxido de carbono y distensibilidad del sistema respiratorio).

Resultados

El modelo de red neuronal multitarea obtuvo los mejores resultados en todos los objetivos del conjunto de pruebas primario. El modelo predice las presiones parciales arteriales de oxígeno y dióxido de carbono así como la distensibilidad del sistema respiratorio con aproximadamente 45 minutos de anticipación, mostrando errores porcentuales absolutos medios de aproximadamente 21.7%, 10.0% y 15.8%, respectivamente. El uso propuesto del modelo se demostró en situaciones hipotéticas en las que se simularon los posibles efectos de los ajustes de PEEP para casos individuales.

Conclusiones

Nuestro estudio implica que el enfoque de aprendizaje automático para el ajuste de la PEEP es un método nuevo y prometedor que no supone ningún coste adicional una vez que se dispone de la infraestructura necesaria.La disponibilidad de bases de datos con información de pacientes de UCI más recientes es crucial para perfeccionar el rendimiento de la predicción.

Palabras clave:
Aprendizaje automático
Modelos de redes neuronales
Ventilación mecánica
Unidades de cuidados intensivos

Article

These are the options to access the full texts of the publication Medicina Intensiva (English Edition)
Member
If you are a member of the Sociedad Española de Medicina Intensiva, Crítica y Unidades Coronarias::
Go to the members area of the website of the SEMICYUC (www.semicyuc.org )and click the link to the magazine.
Subscriber
Subscriber

If you already have your login data, please click here .

If you have forgotten your password you can you can recover it by clicking here and selecting the option “I have forgotten my password”
Subscribe
Subscribe to

Medicina Intensiva (English Edition)

Purchase
Purchase article

Purchasing article the PDF version will be downloaded

Price 19.34 €

Purchase now
Contact
Phone for subscriptions and reporting of errors
From Monday to Friday from 9 a.m. to 6 p.m. (GMT + 1) except for the months of July and August which will be from 9 a.m. to 3 p.m.
Calls from Spain
932 415 960
Calls from outside Spain
+34 932 415 960
Email
Idiomas
Medicina Intensiva (English Edition)
Article options
Tools
Supplemental materials
es en

¿Es usted profesional sanitario apto para prescribir o dispensar medicamentos?

Are you a health professional able to prescribe or dispense drugs?