Estimated Stroke Volume Variation using 1-D Convolutional Neural Network from Arterial Blood Pressure

Abstract

ABSTRACT BACKGROUND Stroke volume variation (SVV) was used as a predictor of fluid reactivity for patients with mechanical ventilation. However, measuring devices currently in use have limitations in terms of space and cost. SVV is not being measured in all patients with arterial blood pressure (ABP). The purpose of this study was to predict SVV with ABP waveform using a machine learning method and overcome limitations of current equipment. METHODS Learning model using ABP waveforms and SVV acquired by Bx50, FloTrac. For model learning and examinations, patients were divided into three groups according to period and proportion. Training (n = 210, data = 3,620,386) validation (n = 217, data = 3,944,244), and test (n = 130, data = 947,954) set totally 557 patients and 8,512,564 data set of SVV. As one of the deep learning models, this study used a model of convolutional neural network (CNN). It applied preprocessing, multichannel, and dimension reduction to improve CNN model. RESULTS Estimated SVV of the model and SVV of FloTrac were compared statistically. The model was improved using preprocessing and dimension reduction of ABP waveform in the samples. The model with min-max preprocessing and max-pooling for dimension reduction to have low correlation and high mean squared error (r=0.66, MSE = 22.86). The proposed model showed better results removing direct current (DC) offset of ABP waveforms and using convolutional strides to dimension reduction (r=0.91, MSE=6.92). The results of the basic signal were relatively low (r = 0.91, MSE = 4.74). SVV with three channel inputs and improved deep learning model structure appears to have high correlation (r=0.95), lower mean squared error (2.13), the high concordance rate of trend analysis (95.9%). CONCLUSION We calculated SVV using a convolutional neural network (CNN) model. This model has a smaller error and similar performance compared by SVV of FloTrac. The CNN model can overcome space and cost problems limitations of FloTrac. The CNN model seems to be replaceable when the FloTrac device is not available. |국문요약 Stroke volume Variation (SVV, 일회박출량 변화도)는 전신 마취 수술에서 환자의 수액 반응성을 판단하는 중요한 지표이다. 하지만 SVV를 측정하는 장비는 공간을 차지하고 가격이 비싸서 모든 환자에게 적용하기 힘들다. 이 연구는 인공지능 모델을 이용하여 SVV를 측정하여 현재 장비의 문제점을 극복하고자 하였다. 총 557명 환자를 대상으로 진행했으며 training (210명), validation (217명), 그리고 test (130명) 세트로 나누어서 학습을 진행하였다. 인공지능 모델 입력은 10초의 동맥압 파형 (Arterial Blood Pressure, ABP)을 2초마다 기존 장비에서 측정된 SVV 값과 매칭하여 구성하였다. Convolutional Neural Networks (CNN)을 이용해서 전처리, 다중채널, 차원축소의 개선으로 모델을 향상시켰다. 인공지능 모델을 학습한 결과를 기존 장비의 값과 통계적으로 비교하였다. 처음에는 작은 데이터셋에서 모델 개선을 진행하였다. 기본 모델은 상관 관계가 0.66, 평균 제곱 에러가 22.86이 나왔고, 전처리와 차원축소를 개선한 모델은 상관 관계가 0.91, 평균 제곱 에러가 6.92로 향상되었다. 전체 데이터셋에서는 1개 신호만 사용했을 때는 상관 관계가 0.91, 평균 제곱 에러는 4.74로 결과가 낮았고, 3개 채널을 사용한 모델은 상관관계가 0.95, 평균 제곱 에러가 2.13으로 높은 정확도를 보였다. 우리는 인공지능 모델을 이용해서 기존 장비의 환자 정보 이슈를 극복하였다. 또한 인공지능 모델을 이용해서 장비의 비용, 공간 등의 한계를 극복하여 더 많은 환자들에게 수액 투여 관리를 받을 수 있게 될 것이다.