An early prediction and diagnosis of sepsis in intensive care units: An unsupervised machine learning model

Abstract

Sepsis infection, which is one of the most important causes of death in intensive care units, is seen as a severe global health crisis. If an early diagnosis of sepsis infection cannot be made, and treatment is not started rapidly, septic shock may result in multiple organ failure and death is almost inevitable. Therefore, it is vital to establish an early diagnosis and start the treatment at once. This study aims to accomplish a new model of unsupervised machine learning using lactate and Ph laboratory test values, which are considered to be important parameters to diagnose sepsis infection. The data used in the study have been obtained from MIMIC-III international clinical database. Unsupervised machine learning has been performed via the Fuzzy-C algorithm along with validity indexes like Xie Beni on patients’ data diagnosed sepsis and non-sepsis. The machine-generated ten labels at the end of the training session considering-designed validity indexes. The labelled cluster representatives have been reduced to two dimensions by Principal Component Analysis method in order to monitor the learning in a two-dimensional space. The study contributes to the literature by conducting unsupervised learning through two parameters (Lactate and Ph) and leading to multi-parameter studies. In addition, the study reports that there are five types of sepsis patterns in terms of Lactate and PH laboratory tests.

Yoğun bakım servislerinde yaşanan ölümlerin en önemli sebeplerinden biri olan sepsis enfeksiyonu ciddi bir küresel sağlık krizi olarak görülmektedir. Sepsis enfeksiyonunun erken teşhisi yapılamaz ve hızla tedaviye başlanmaz ise çoklu organ yetmezliğine ve ölüme neden olabilmektedir. Bu nedenle hızlı sepsis tanısı ve tedavisi hayati önem taşımaktadır. Bu çalışmada amaç, sepsis enfeksiyonunun gelişimini etkileyen önemli parametrelerden olan laktat ve Ph değerlerini kullanarak yeni bir denetimsiz makine öğrenmesi modeli gerçekleştirmektir. Çalışma kapsamında kullanılan veriler MIMIC-III klinik veri tabanından elde edilmiştir. Çalışma genelinde sepsis tanısı konmuş ve sepsis tanısı konmamış hastalar üzerinde Bulanık-C ortalamalar algoritması ile denetimsiz makine öğrenmesi gerçekleştirilmiştir. Makine sepsis olan ve olamayan hastaları beşi sepsis pozitif, beşi sepsis negatif olacak şekilde 10 ayrı etiketle işaretlemiştir. Etiketlenen küme temsilcileri öğrenmenin monitorize edilebilmesi için Temel Bileşenler Analizi yöntemiyle iki boyuta indirgenmiştir. Çalışma, iki parametre özelinde (laktat ve Ph) değerlendirilerek denetimsiz öğrenme gerçekleştirmiş olması ve çok parametreli çalışmalara öncülük etmesi açısından literatüre katkı sağlamaktadır. Ayrıca, çalışma Lactat ve Ph değerleri bakımından beş ayrı kümede hasta bulunduğunu rapor etmektedir.