Detecting physiological deterioration in emergency care

Show full item record



Permalink

http://urn.fi/URN:ISBN:978-951-51-7439-0
Title: Detecting physiological deterioration in emergency care
Author: Pirneskoski, Jussi
Contributor: University of Helsinki, Faculty of Medicine, Department of anaesthesiology, intensive care and pain medicine
Doctoral Program in Clinical Research
Publisher: Helsingin yliopisto
Date: 2021-09-10
Language: en
URI: http://urn.fi/URN:ISBN:978-951-51-7439-0
http://hdl.handle.net/10138/333343
Thesis level: Doctoral dissertation (article-based)
Abstract: Appropriately assessing the physiological status of the patient in emergency care is essential to detect patients that would require urgent medical interventions. This requirement is highlighted in prehospital emergency medical services, which operate with limited diagnostic and therapeutic resources. Further knowledge on how to best detect physiological disturbances with simple measurements would allow personnel to recognise the patients at risk. This study aimed to establish the diagnostic accuracy and explore the factors affecting the accuracy of physiological scoring in prehospital emergency services settings. This study also investigated the feasibility of using photoplethysmography as an additional tool to recognise critically ill patients. This study was composed of four sub-studies, of which one was prospective and three were retrospective cohort studies. The study included 212 consecutive adult patients presenting to an emergency department (I) and 35 800 adult prehospital emergency medical services patients with sufficient data to calculate National Early Warning Score (NEWS) from 2008 to 2015. (II-III) A subgroup analysis was performed of the 26 458 prehospital patients that also had a blood glucose measurement performed (IV). Photoplethysmography variables were collected and compared between groups of critically and non-critically ill patients. (I) Diagnostic accuracy of NEWS in detecting mortality within 1, 7 and 30 days from emergency medical services contact was studied. (II) Effect of age on this predictive performance was compared in three different age groups and performance of NEWS modified to include age as an additional parameter was assessed. (III) Furthermore, a model based on logistic regression was compared to a random forest machine learning model in predicting mortality. (IV) Minimum and mean photoplethysmography amplitudes differed significantly between critically and non-critically ill patients. Diagnostic accuracy of photoplethysmography amplitudes for detecting critical illness had below moderate accuracy. Ability of NEWS values to predict mortality was best at the shortest studied time interval and in the youngest age group. Predictive performance worsened gradually when the time interval increased in all age groups. Ability to predict mortality was improved when age was added as an additional parameter to the logistic regression model. Random forest machine learning model was superior to logistic regression when NEWS parameters were used and improved even further when blood glucose value was included in the model. The most significant predictive physiological parameters were low oxygen saturation, high respiratory rate, and low systolic blood pressure. Heart rate had very low contribution to overall predictive performance. Lower photoplethysmography minimum and mean amplitudes can possibly be used in addition to other methods in the emergency department to differentiate critically ill patients, although the diagnostic accuracy is below moderate. NEWS can be used to predict mortality at 1, 7 and 30 days. Its predictive performance is best at one day from emergency medical services contact and in patients aged < 65 years when compared to longer time intervals and older age groups. This mortality prediction can be improved by adding age as an additional parameter. Random forest machine learning model using NEWS parameters outperforms a logistic regression model in predicting one day mortality of prehospital patients and can be further enhanced by including blood glucose value.Äkillisesti sairastuneen potilaan fysiologisen tilan asianmukainen arvioiminen on välttämätöntä, jotta välittömiä hoitotoimien tarve tunnistetaan. Tämä korostuu erityisesti hoitolaitosten ulkopuolisessa ensihoidossa, jossa diagnostisia ja hoidollisia resursseja on niukasti. Tutkimustieto fysiologisten häiriöiden yksinkertaisista tunnistamiskeinoista auttaisi hoitohenkilökuntaa riskipotilaiden huomioimisessa. Tässä tutkimuksessa selvitettiin ensihoidossa toteutettavan fysiologisen pisteytyksen diagnostista tarkkuutta ja siihen vaikuttavia tekijöitä. Lisäksi arvioitiin fotopletysmografian käytettävyyttä kriittisesti sairastuneiden potilaiden tunnistamisessa päivystyspoliklinikalla. Tutkimus koostui neljästä alatutkimuksesta, joista yksi oli etenevä kohorttitutkimus ja kolme oli takautuvia kohorttitutkimuksia. Osatyöhön I sisällytettiin 212 perättäistä yliopistosairaalan päivystyspoliklinikalle sisään kirjattua aikuispotilasta. II ja III osatyössä arvioitiin 35 800 ensihoidon vuosina 2008 – 2015 kohtaamaa potilasta, joista oli saatavilla National Early Warning Score (NEWS) -pisteytyksen laskemiseen tarvittavat tiedot. IV osatyö oli alaryhmäanalyysi niistä ensihoitoaineiston 26 458 potilaasta, joista oli mitattu myös verensokeriarvo. Tavallisten peruselintoimintomittausten lisäksi osatyössä I potilailta kerättiin fotopletysmografia-muuttujia, joiden arvoja vertailtiin kriittisesti sairaiden ja muiden kuin kriittisesti sairaiden potilaiden välillä. (I) NEWS-pisteytyksen diagnostista tarkkuus 1, 7 ja 30 vuorokauden kuolleisuuden ennustamisessa arvioitiin. (II) Iän vaikutusta tähän ennustetarkkuuteen tarkasteltiin ja selvitettiin ennustetarkkuuden muutos, jos ikä lisättäisiin osaksi NEWS-pisteytystä. (III) Lisäksi verrattiin perinteisen logistisen regressiomallin kykyä ennustaa kuolleisuutta random forest -koneoppimismallin. (IV) Fotopletysmografiakäyrän minimi- ja keskiarvoinen amplitudi erosivat merkitsevästi kriittisten ja muiden kuin kriittisesti sairaiden potilaiden välillä. Amplitudin diagnostinen tarkkuus kriittisesti sairaiden potilaiden erottamisessa heikohkoksi. NEWS-pisteiden kyky ennustaa kuolleisuutta oli paras lyhimmällä aikaviiveellä ja nuorimmassa ikäryhmässä. Ennustetarkkuus heikkeni aikaviiveen pidentyessä kaikissa ikäryhmissä. Iän lisääminen paransi mallin ennustetarkkuutta. Random forest -koneoppimismallin ennustetarkkuus oli parempi kuin logistisen regression ja parani edelleen, mikäli malliin lisättiin verensokeripitoisuus. Kuolleisuuden ennustamisen kannalta merkittävimmät fysiologiset muutokset olivat matala happisaturaatio, korkea hengitystaajuus ja matala systolinen verenpaine. Syketaajuudella ei ollut juurikaan merkitystä kuolleisuuden ennustamisessa. Matalia fotopletysmografiakäyrän minimi- ja keskiarvoamplitudeja voidaan mahdollisesti käyttää muiden menetelmien tukena kriittisesti sairaiden potilaiden tunnistamisessa päivystyspoliklinikalla, mutta diagnostinen tarkkuus jäi heikohkoksi. NEWS-pisteytystä voidaan käyttää 1, 7 ja 30 vuorokauden kuolleisuuden ennustamisessa ensihoidossa. Pisteytyksen ennustetarkkuus on paras yhden vuorokauden aikaviiveellä ja alle 65-vuotiailla potilailla, kuin pidemmillä aikaviiveillä tai vanhemmissa ikäryhmissä. Ennustetarkkuutta voidaan parantaa lisäämällä ikä osaksi pisteytystä. NEWS-pisteytyksen muuttujiin perustuva Random forest -koneoppimismalli päihittää logistisen regression yhden vuorokauden kuolleisuuden ennustamisessa ja mallin tarkkuus paranee edelleen lisäämällä siihen verensokeriarvo.
Subject: lääketiede
Rights: This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.


Files in this item

Total number of downloads: Loading...

Files Size Format View
pirneskoski_jussi_dissertation_2021.pdf 1.263Mb PDF View/Open

This item appears in the following Collection(s)

Show full item record