Using time series information in the prediction of outcomes of intensive care patients using heparin dosing as example

Abstract

Heparin is a widely used anticoagulant in the management of thromboembolic disorders. However, its therapeutic efficacy depends on the correct dosing, which is challenging due to significant inter-individual variability. This necessitates close monitoring of activated partial thromboplastin time (aPTT). This study explores the potential of machine learning (ML) algorithms in predicting aPTT values during heparin therapy, under special consideration of parameters that evolve over time, with the aim to improve patient management and outcomes. We identified a dataset of 5742 patients and 5926 hospital admissions and extracted clinical parameters such as heparin application, demographic information, laboratory values, scores and treatments. Various ML models were trained, evaluated and compared on this data. In particular, we compared models using single values for each parameter to a model that uses entire time series of features. Our results show that time series of parameters improve the aPTT prediction. Our results suggest that ML-based predictions, using the temporal evolution of parameters, may help to reach a target aPTT faster. Further research is required to validate these models in a larger, more diverse patient population. Especially the impact of data quality of the routine data on model predictions should be evaluated.

Heparin ist ein weit verbreitetes Antikoagulans in der Vorsorge und Behandlung von thromboembolischen Störungen. Allerdings wird seine therapeutische Wirksamkeit durch erhebliche interindividuelle Variabilität begleitet, was eine häufige Überwachung der aktivierten partiellen Thromboplastinzeit (aPTT) erfordert und ein Erreichen eines definierten Zielkorridors innerhalb der ersten 24 Stunden erschwert. Diese Arbeit untersucht das Potenzial von Algorithmen des Maschinellen Lernens (ML) zur Vorhersage von aPTT Werten nach einer Heparin-Therapie unter besonderer Berücksichtigung des zeitlichen Verlaufs von klinischen Parametern, mit dem Ziel, das Patientenmanagement und die Ergebnisse zu verbessern. Wir haben einen Datensatz von 5742 Patienten und 5926 Fällen identifiziert und klinische Parameter wie die Heparin Applikation, demografische Informationen, Laborwerte, intensivmedizinische Scores und Behandlungen extrahiert. Verschiedene ML-Modelle wurden mit diesem Datensatz trainiert, evaluiert und verglichen. Insbesondere wurden Modelle die jeweils einen Wert pro Parameter nutzen verglichen mit einem Modell welches Zeitreihen von Parametern verwendet. Es hat sich gezeigt, dass Zeitreihen von Parametern Informationen enthalten, die die aPTT Vorhersage verbessern. Diese Ergebnisse legen nahe, dass ML-basierte Vorhersagemodelle unter Berücksichtigung des zeitlichen Verlaufs einzelner Parameter, dabei unterstützten können, schneller einen gewünschten aPTT Zielkorridor zu erreichen. Weitere Forschung ist notwendig, um diese Modelle in einer größeren, vielfältigeren Patientenpopulation zu validieren und insbesondere sollte der Einfluß der Qualität der Routinedaten evaluiert werden.