- Explanation👩🏫
- Resumo da Dissertação📑
- Dissertation Abstract📑
- Files Explanation📂
- Requirements🗃️
- How to use❓
- Notes about the work📔
A tool already existed, which is a graphical interface in R that collects the data relating to the patients in this database, relates the various tables in it, and presents the relevant information in a simple way, but without neglecting functionality. It contains graphics, tables and text generated in real time, so that the user can find out many details about the MIMIC-III database without needing to know any kind of programming language.
Our tool is therefore a complement to the existing one. A new menu has been added to it, in which the user can analyze the data in different ways, in relation to a disease, select features for the models, train and compare models and then use them to make predictions. At the moment, and as the case study is sepsis, there are only two target variables, mortality from sepsis and 30-day mortality from sepsis.
O conjunto de dados MIMIC-III, uma fonte rica de informações clínicas provenientes de unidades de cuidados intensivos, desempenha um papel crucial na análise e previsão da sépsis, uma condição potencialmente fatal com elevadas taxas de mortalidade. Este estudo concentra-se na exploração dos dados com o objetivo de compreender mais profundamente os fatores de risco subjacentes, a progressão da doença e os desfechos associados a essa condição crítica. Ao adicionar uma interface à base de dados MIMIC-III, tornamos possível o estudo dos pacientes que dão entrada na UCI, permitindo a visualização dos dados dos pacientes e a construção de modelos preditivos. Para um estudo de caso, o foco foi numa condição potencialmente fatal em pacientes internados, com elevadas taxas de mortalidade.
O desenvolvimento de uma ferramenta robusta para analisar e prever a sépsis a partir desses dados é de extrema importância para possibilitar a deteção precoce, intervenções oportunas e tratamentos personalizados. Embora a previsão de eventos médicos, como a sépsis, possa ser desafiadora devido à complexidade e variabilidade dos dados clínicos, esta ferramenta teria o potencial de oferecer uma probabilidade elevada de ocorrência da sépsis em determinados estágios da hospitalização, permitindo uma avaliação mais precisa de riscos.
Utilizando algoritmos avançados de estatística e aprendizagem de máquina, este estudo identificou padrões, correlações e relações preditivas específicas da sépsis nos dados da MIMIC- III.
As principais contribuições deste trabalho incluem o desenvolvimento de uma ferramenta geral para análise e previsão de dados da MIMIC-III, com a sépsis a servir como um estudo de caso. Ao utilizar a mortalidade por sépsis e a mortalidade em 30 dias de pacientes com sépsis como tarefas de previsão, a ferramenta permite aos utilizadores a escolha dos modelos e a seleção de dados relevantes, proporcionando um ambiente flexível para a construção e treino de modelos personalizados. Importa salientar que esta ferramenta é destinada a estudos pós-internação e pós-coleta de dados, tendo sido implementado um sistema para funcionar localmente.
Para atingir esses objetivos, foram avaliados vários classificadores com estratégias específicas para cada domínio. Com base nos resultados obtidos, o XGBoost destacou-se como uma escolha eficaz para prever tanto a mortalidade em 30 dias por sépsis quanto a mortalidade por sépsis, utilizando um conjunto fixo de variáveis. Demonstrou um desempenho consistente e sólido em ambas as tarefas com base nas métricas selecionadas, sugerindo que, conforme avaliado pelos critérios específicos adotados, é um modelo robusto e adequado para essa aplicação.
Em resumo, os resultados deste estudo não apenas contribuem para a compreensão da sépsis, mas também estabelecem uma base sólida para a pesquisa em diversos cenários de cuidados intensivos e a exploração de uma ampla variedade de desfechos clínicos nos dados da MIMIC-III. Apesar dos resultados satisfatórios, reconhecemos a existência de limitações e a necessidade de futuras melhorias.
The MIMIC-III dataset, a rich source of clinical information from intensive care units, plays a crucial role in the analysis and prediction of sepsis, a potentially fatal condition with high mortality rates. This study focuses on data exploration with the aim of gaining a deeper understanding of underlying risk factors, disease progression, and outcomes associated with this critical condition. By adding an interface to the MIMIC-III database, we have made it possible to study patients admitted to the ICU, allowing for the visualization of patient data and the construction of predictive models. For a case study, the focus was on a potentially fatal condition in hospitalized patients, with high mortality rates.
The development of a robust tool to analyze and predict sepsis from this data is of utmost importance to enable early detection, timely interventions, and personalized treatments. Although predicting medical events such as sepsis can be challenging due to the complexity and variability of clinical data, this tool has the potential to offer a high probability of sepsis occurrence at certain stages of hospitalization, allowing for a more accurate risk assessment.
Using advanced statistical and machine learning algorithms, this study identified patterns, correlations, and predictive relationships specific to sepsis in the MIMIC-III data.
The main contributions of this work include the development of a general tool for the analysis and prediction of MIMIC-III data, with sepsis serving as a case study. By using sepsis mortality and 30-day mortality of sepsis patients as prediction tasks, the tool allows users to choose models and select relevant data, providing a flexible environment for building and training custom models. It is important to note that this tool is intended for post-admission and post-data collection studies, with a system implemented to operate locally.
To achieve these objectives, various classifiers with specific strategies for each domain were evaluated. Based on the results obtained, XGBoost stood out as an effective choice for predicting both 30-day mortality from sepsis and sepsis mortality, using a fixed set of variables. It demonstrated consistent and robust performance in both tasks, suggesting that it is a suitable and robust model for this application.
In summary, the results of this study not only contribute to the understanding of sepsis but also establish a solid foundation for research in various intensive care scenarios and the exploration of a wide variety of clinical outcomes in MIMIC-III data. Despite satisfactory results, we acknowledge the existence of limitations and the need for future improvements.
- dashboard_beta.R - main file with the complete tool, which contains the code described in the dissertation.
- src foder:
- sepsis.R - file with the data for the sepsis-3 definition.
- dashboard_predictions.R - file with just the menu Predictions from dashboard_beta.R and without the help button, used for tests, but working.
- R version 4.1.2
- RStudio version 2022.02.3
- Only credentialed users who sign the DUA can access the MIMIC-III data, so it's required the training CITI Data or Specimens Only Research available here.
- Access to BigQuery, with tutorial available here
Once you have all the requirements, you just need to click on the following button, in the top right corner of the RStudio main screen:
If you have any questions while using the application, just click on the help button in the top right corner of the application:
🔗 This is the code repository associated with the masters dissertation, which is available here.
🔗 The original application, which is the basis of this tool, has the code available here and the associated dissertation here.