تشخیص ناهنجاری در داده‌های بالینی بیمارانی که عمل جراحی قلب کرده‌اند

دو رویکرد را برای تشخیص ناهنجاری‌ها در سری زمانی از داده های بالینی چند پارامتری شرح می‌دهیم: (1) شاخص‌های سنجه و مدل محور و (2) غافلگیری اطلاعاتی. (1) شاخص های سنجه و مدل محور معمولاً به عنوان سیگنال های هشدار دهنده زودهنگام برای تشخیص گذار بین حالت‌های متناوب براساس سری‌های زمانی مستقل استفاده می‌شوند. در اینجا، کاربردپذیری شاخص‌های موجود را برای تمایز شرایط بحرانی (ناهنجاری) از غیر بحرانی در بیمارانی بررسی می‌کنیم که عمل جراحی قلب داشته‌اند، این کار بر اساس مجموعه داده کوچک کارآزمایی بالینی ناشناس انجام می‌شود. متوجه شدیم ترکیبی از مدل اتورگرسیو متغیر با زمان، شاخص‌های کشیدگی و چولگی به طور صحیح بیماران بالینی را از غیربالینی با توجه به 5 از 36 پارامتر خونی در اندازه پنجره 0.3 (به طور متوسط 37 ساعت) یا بیشتر جدا کردند. (2) غافلگیری اطلاعاتی نشان می‌دهد که چگونه پیشرفت وضعیت بیمار با وضعیت بقیه افراد بر اساس سطح مقطع سری زمانی متفاوت است. با حداکثر غافلگیری و ویژگی‌های شیب، همه بیماران بحرانی را در سطح معنی‌داری 0.05 تشخیص می‌دهیم. علاوه بر این، نشان می‌دهیم که تشخیص پرتِ ساده به کار نمی‌آید، یعنی به رویکردهای پیچیده‌تری نیاز است که در اینجا بررسی می‌شود. نتایج اولیه‌مان نشان می‌دهد که تحولات آینده در سیستم‌های هشدار زودهنگام برای نظارت بر وضعیت بیمار ممکن است وقوع گذار بحرانی را پیش‌بینی کند، به این ترتیب پزشک اجازه مداخله می‌یابد و از مرگ بیمار پیشگیری می‌شود. به توسعه بیشتر روش برای جلوگیری از اضافه کاری و نتایج جنجالی و تأیید در مجموعه داده‌های بالینی بزرگ نیاز است.

تشخیص ناهنجاری فرایند تعیین و تفکیک افرادی در جامعه است که انحراف رفتار از هنجار دارند. این مطالب به صورت «ناهنجاری» یا «فعالیت‌های پرت» نامیده می‌شوند. کشف ناهنجاری کاربرد گسترده‌ای در کشف کارت‌های اعتباری تقلبی [1]، امنیت سایبری [2، 3]، بیمه سلامت [4] و پایش بیمار با استفاده از سیگنال‌های قلب‌نگاری برقی (ECG) [5] دارد. برای نمونه، فناوری‌ها در کشف ناهنجاری، به خصوص برای کاربردهای پزشکی، برای برآورد شرایط یا وضعیت فیزیکی بیماران از سالم تا فوتی ضروری هستند. اغلب اوقات، وقتی ناهنجاری رخ می‌دهد، تغییرات قابل ملاحظه‌ای در الگوهای سری زمانی هویدا می‌شود. این ناهنجاری‌ها (شرایط حیاتی) طراحی شده توسط تغییرهای الگویی می‌تواند به عنوان شاخص‌های گذار از وضعیت سلامت به بحرانی عمل کند که منجر به مرگ در بیماران می‌شود. سیستم‌های دینامیکی پیچیده متعدد گذارها یا نقطه نتیجه‌گیری هستند که در آن تغییرناگهانی از یک وضعیت ثابت به دیگری اتفاق می‌افتد. مورد ویژه بیماری را می‌توان تغییرجهت ناگهانی در وضعیت سیستم از سلامت به بیماری تلقی کرد [6, 7]. برای نمونه، شروع افسردگی با نگاهی به نوسان‌های عواطف به عنوان شاخص‌های گذار از نرمال به وضعیت افسردگی بررسی می‌شود [8]. نمونه‌های دیگر شامل سیستم‌های مالی، که برخوردهای بازاری نظام‌مند را نشان می‌دهد [9, 10]، تغییر شرایط قبل از کاهش نوسان‌ها [11–13]، کاهش جمعیت منجر به انقراض [14–16]، نظام‌های هشدار زودهنگام سیل [17–19] و سدها [20] است. سیگنال‌های هشدار زودهنگام (EWS) به عنوان شاخص‌هایی برای حذف تاب‌آوری سیستم قبل از گذارها برطبق ویژگی‌های آماری جزئی‌تر سنجش‌ها استفاده می‌شوند [21]. این مطلب گاهی‌اوقات ممکن است به واسطه تغییرها در همبستگی، انحراف استاندارد، چولگی سری‌ها به واسطه زمان [22] کشف شود. از شاخص‌های استفاده شده در EWS برای تفکیک بیماران بحرانی از غیربحرانی با این فرض استفاده کردیم که بیماران بحرانی تغییرهای الگویی در سری‌های زمانی خود نشان می‌دهند هنگامی که ناهنجاری‌ها یا گذارها از سلامتی به مرگ رخ می‌دهد. از قبل مشخص نکردیم چند بار این گذارها اتفاق می‌افتند. هدف‌مان یکپارچه‌سازی این مطلب در نسخه آتی کارمان است. در اثر حاضر، کاربردپذیری استفاده از چهار EWS کلاسیک را بر سری‌های زمانی تراکم پارامتر خون از 53 بیمار بررسی می‌کنیم که عمل پیچیده جراحی قلب کرده‌اند تا گذارها از مرگ بیمار کشف شود؛ رویکردی که در منابع قبلی اجرا نشد. مهمترین انگیزش استفاده از EWS پتانسیلش برای استفاده بلادرنگ از هشدار زودهنگام افزایش ریسک مرگ بیمار، با هدف نهایی جلوگیری بهتر است.