脳内出血患者のウェアラブルセンサーと機械学習を使用したせん妄検出

目的：せん妄は、脳卒中患者や神経症疾患の患者の転帰の悪化に関連していますが、これらの患者のせん妄検出は、既存のスクリーニングツールで挑戦する可能性があります。このギャップに対処するために、脳卒中関連の臨床的特徴と組み合わせて、ウェアラブルアクティビティモニターからのデータに基づいて、ストローク後のせん妄のエピソードを検出する機械学習モデルを開発および評価することを目指しました。 設計：前向き観察コホート研究。 設定：アカデミックメディカルセンターの神経系介護および脳卒中ユニット。 患者：私たちは、中等度から重度の急性脳内出血（ICH）と片麻痺の39人の患者を1歳の間、71.3歳（12.20）、54％の男性、中央値（IQR）初期NIH脳卒中スケール14.5.5.5.5（6）、中央値（IQR）ICHスコア2（1）]。 測定と主な結果：各患者は、出席している神経科医によってせん妄の毎日の評価を受けましたが、手首に装飾されたアクチグラフ装置を使用して各患者の入院全体で活動データが記録されました（麻痺および非パレットアームの両方）。ランダムフォレスト、SVM、XGBoost機械学習方法の予測精度を、臨床情報のみを使用してアクティグラフデータと組み合わせた日常のせん妄状態を分類する際に比較しました。私たちの研究コホートの中で、患者の85％（n = 33）には少なくとも1つのせん妄エピソードがあり、監視日の71％（n = 209）はせん妄の日と評価されていました。臨床情報のみが、日々の[精度平均（SD）62％（18％）、F1スコア平均（SD）50％（17％）]でせん妄を検出する際の精度が低かった。予測のパフォーマンスは、アクチグラフデータ[精度平均（SD）74％（10％）、F1スコア65％（10％）]を追加すると、大幅に改善されました（P <0.001）。アクチグラフィの特徴の中で、夜間のアクチグラフデータは、分類の精度に特に関連していました。 結論：機械学習モデルと組み合わせたアクチグラフィーは、脳卒中患者のせん妄の臨床的検出を改善し、アクチグラフ支援の予測を臨床的に実行可能にする方法を開くことがわかった。

OBJECTIVE: Delirium is associated with worse outcomes in patients with stroke and neurocritical illness, but delirium detection in these patients can be challenging with existing screening tools. To address this gap, we aimed to develop and evaluate machine learning models that detect episodes of post-stroke delirium based on data from wearable activity monitors in conjunction with stroke-related clinical features. DESIGN: Prospective observational cohort study. SETTING: Neurocritical Care and Stroke Units at an academic medical center. PATIENTS: We recruited 39 patients with moderate-to-severe acute intracerebral hemorrhage (ICH) and hemiparesis over a 1-year period [mean (SD) age 71.3 (12.20), 54% male, median (IQR) initial NIH Stroke Scale 14.5 (6), median (IQR) ICH score 2 (1)]. MEASUREMENTS AND MAIN RESULTS: Each patient received daily assessments for delirium by an attending neurologist, while activity data were recorded throughout each patient's hospitalization using wrist-worn actigraph devices (on both paretic and non-paretic arms). We compared the predictive accuracy of Random Forest, SVM and XGBoost machine learning methods in classifying daily delirium status using clinical information alone and combined with actigraph data. Among our study cohort, 85% of patients (n = 33) had at least one delirium episode, while 71% of monitoring days (n = 209) were rated as days with delirium. Clinical information alone had a low accuracy in detecting delirium on a day-to-day basis [accuracy mean (SD) 62% (18%), F1 score mean (SD) 50% (17%)]. Prediction performance improved significantly (p < 0.001) with the addition of actigraph data [accuracy mean (SD) 74% (10%), F1 score 65% (10%)]. Among actigraphy features, night-time actigraph data were especially relevant for classification accuracy. CONCLUSIONS: We found that actigraphy in conjunction with machine learning models improves clinical detection of delirium in patients with stroke, thus paving the way to make actigraph-assisted predictions clinically actionable.