Artificial Intelligence in Critical Care Medicine : From early warning scores to multimodal deep learning

Abstract

Tässä väitöskirjassa kehitettiin uusia tekoälymenetelmiä, jotka on suunniteltu erityisesti tehohoitolääketieteeseen keskittyen datalähtöiseen kliinisen tiedon löytämiseen ja sairauksien parempaan ennustamiseen. Työn tavoitteena on ratkaista kliinisten seurantajärjestelmien nykyisiä rajoituksia etenemällä systemaattisesti perinteisistä varhaisvaroituspisteytyksistä kohti kehittyneitä multimodaalisia syväoppimismenetelmiä. Väitöskirjaa ohjaavat seuraavat keskeiset tutkimuskysymykset:

1. Millaista ajallista dynamiikkaa vakiintuneessa varhaisvaroituspisteytyksessä esiintyy sairaalaympäristössä? 2. Miten ennustemallien epävarmuutta voidaan vähentää potilaan heikkenemisen tunnistamisessa? 3. Ovatko modernit koneoppimismallit tarkempia kuin perinteiset ennakkovaroitusjärjestelmät akuutti- ja ensihoidossa? 4. Voiko datalähtöinen mallinnus löytää aiemmin tuntemattomia ja kliinisesti merkityksellisiä biomarkkereita? 5. Voiko syväoppimismalli, joka hyödyntää ei-invasiivisia biosignaaleja, havaita monimutkaisen sairaustilan aikaisemmin kuin tavanomainen kliininen diagnostiikka?

Väitöskirja koostuu neljästä toisiinsa liittyvästä tutkimuksesta, jotka osoittavat selkeän kehityksen kohti yhä hienostuneempia tekoälymenetelmiä: Tutkimus I analysoi National Early Warning Scoren (NEWS) ajallisia trendejä prospektiivisesti tutkituilla vuodeosastopotilailla ja tunnistaa merkittäviä yhteyksiä NEWS-pisteytyksen ajallisen kehityksen ja potilaiden hoitotulosten välillä.

Tutkimus II arvioi NEWS-pisteytyksen ennustekykyä tekoälypohjaiseen random forest-malliin verrattuna retrospektiivisessä ensihoitotutkimuksessa. Tulokset osoittavat, että tekoälymalli ennustaa yhden päivän kuolleisuutta paremmin kuin NEWS, mikä osoittaa selkeää edistystä datalähtöisessä päätöksenteossa akuuttitilanteissa. Lisäksi permutaatio-tärkeysanalyysi tunnisti verensokerin toiseksi tärkeimmäksi ennustavaksi biomarkkeriksi, mikä tukee glukoosimittausten sisällyttämistä ennustetyökaluihin riskipotilaiden varhaisen tunnistamisen parantamiseksi.

Näitä tuloksia vahvistaakseen Tutkimus III validoi random forest-mallin ennustetarkkuuden lyhytaikaisen kuolleisuuden ennustamisessa prospektiivisessa ensihoitotutkimuksessa, mikä vahvistaa tekoälymenetelmien käytännön hyödyllisyyden ja niiden ylivertaisuuden perinteisiin pisteytysjärjestelmiin verrattuna.

Näiden löydösten pohjalta Tutkimus IV siirtyi edistyneeseen multimodaaliseen syväoppimismenetelmään, kehittäen ja validoiden syvän neuroverkon, joka hyödyntää kohinaisia, ei-invasiivisia biosignaaleja kerättynä tehovalvontamonitorista vastasyntyneiden myöhäisen verenmyrkytyksen varhaiseen tunnistamiseen. Merkittävää on, että kehitetyn syväoppimismallin neuronien aktivaatioanalyysi paljasti aiemmin tuntemattomia biomarkkereita, erityisesti EKG:n R-aallon epävakauden sekä äkilliset muutokset hengityksen impedanssiaaltomuodoissa, jotka molemmat ennustavat verenmyrkytystä. Tulokset korostavat multimodaalisen syväoppimisen potentiaalia, ei pelkästään henkeä uhkaavien tilojen tunnistuksen parantamisessa, vaan myös uusien fysiologisten biomarkkerien tunnistamisessa kliinisen tutkimuksen käyttöön.

Yhteenvetona nämä tutkimukset kuvaavat edistystä perinteisistä varhaisvaroitus-pisteytyksistä multimodaalisiin syväoppimismenetelmiin ja osoittavat parannuksia, jotka saavutetaan datalähtöisillä tekoälymenetelmillä tehohoitolääketieteessä. Tulevien tutkimusten tulisi keskittyä näiden menetelmien soveltamiseen monipuolisissa kliinisissä konteksteissa, demografisten vaikutusten arvioimiseen ja menetelmien laajamittaiseen validointiin potilastulosten ja terveydenhuollon tehokkuuden parantamiseksi.

In the research covered in this thesis, novel artificial intelligence (AI) methodologies tailored for critical care medicine were developed, focusing on data-driven clinical information discovery and improved disease prediction. The work aims to address current limitations in clinical monitoring systems by systematically progressing from traditional early warning scores toward advanced multimodal deep learning techniques. Central research questions guiding this thesis are: 1. How do the temporal patterns and dynamics of an established early warning score behave in a hospital patient population? 2. How can the uncertainty of predictive models for patient deterioration be reduced? 3. Are modern machine learning models more accurate than traditional early warning scores in acute and prehospital care? 4. Can data-driven modeling discover previously unknown, clinically relevant biomarkers? 5. Can a multimodal deep learning model that utilizes noninvasive biosignals detect a complex condition earlier than standard clinical practice?

The thesis comprises four interconnected studies, demonstrating a progression toward increasingly sophisticated AI methodologies: Study I analyzes temporal trends in the National Early Warning Score (NEWS) among prospectively studied general ward patients, identifying significant correlations between NEWS trajectories and patient outcomes.

Study II evaluates the predictive performance of NEWS compared to an AI-based random forest model in a retrospective prehospital study. It demonstrates that the AI model outperforms NEWS in predicting one-day mortality, marking a clear step forward in data-driven decision-making capabilities for acute care scenarios. Furthermore, permutation importance analysis identifies blood glucose as the second most important predictive biomarker, highlighting its significant contribution to the predictive accuracy of the model. This discovery supports incorporating glucose measurements into predictive tools to improve early identification of patients at high risk of mortality.

To consolidate these findings, Study III validates the random forest model’s pre-dictive accuracy and robustness for short-term mortality in a prospective study with prehospital patients, confirming the practical utility of AI-driven methods and con-firming their superiority over traditional scoring systems.

Building on this groundwork, Study IV transitions to an advanced multimodal deep learning approach, developing and validating a deep neural network that utilizes noisy, noninvasive biosignals for early detection of late-onset neonatal sepsis. Critically, analysis of neuron activation maps within the developed deep learning model revealed previously unknown biomarkers, specifically instability in the R-wave of ECG and sudden changes in respiratory impedance waveforms, both of which are predictive of sepsis. This prospective multicenter study demonstrates significant improvements in predictive accuracy and robustness compared to conventional clinical practice, underscoring the transformative potential of multimodal deep learning not only to improve detection but also to identify novel physiological biomarkers for clinical use.

Collectively, these studies illustrate progression from basic early warning scores to sophisticated multimodal deep learning techniques, highlighting the substantial im-provements achievable through data-driven AI methodologies in critical care medicine. Future research directions should focus on expanding these methods across diverse clinical contexts, evaluating demographic influences, and ensuring broad clinical validation to ultimately improve patient outcomes and healthcare efficiency.