Optimized Arterial Line Artifact Identification Algorithm Cleans High-Frequency Arterial Line Data With High Accuracy in Critically Ill Patients
Notice bibliographique
Résumé
High-frequency data streams of vital signs may be used to generate individualized hemodynamic targets for critically ill patients. Central to this precision medicine approach to resuscitation is our ability to screen these data streams for errors and artifacts. However, there is no consensus on the best method for data cleaning. Our goal was to determine whether an error-checking algorithm developed for intraoperative use could be applied to high volumes of arterial line data in an ICU population. DESIGN: Multicenter observational study. SETTING: ICUs across Ontario, Canada. PATIENTS: Nested cohort of ICU patients with shock and/or respiratory failure requiring invasive mechanical ventilation. INTERVENTIONS: High-frequency blood pressure data was analyzed. Systolic, diastolic, and mean arterial pressure minute averages were calculated. For manual analysis, a trained researcher retrospectively reviewed mean arterial pressure data, removing values that were deemed nonphysiological. The algorithm was implemented and identified artifactual data. MEASUREMENTS AND MAIN RESULTS: Arterial line data was extracted from 15 patients. A trained researcher manually reviewed 40,798 minute-by-minute data points, then subsequently analyzed them with the algorithm. Manual review resulted in the identification of 119 artifacts (0.29%). The optimized algorithm identified 116 (97%) of these artifacts. Five hundred thirty-seven data points were erroneously removed or modified. Compared with manual review, the modified algorithm incorporating absolute thresholds of greater than 30 and less than 200 mm Hg had 97.5% sensitivity, 98.7% specificity, and a Matthew correlation coefficient of 0.41. CONCLUSIONS: The error-checking algorithm had high sensitivity and specificity in detecting arterial line blood pressure artifacts compared with manual data cleaning. Given the growing use of large datasets and machine learning in critical care research, methods to validate the quality of high-frequency data is important to optimize algorithm performance and prevent spurious associations based on artifactual data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».