S'abonner

Data-driven methodology to predict the ICU length of stay: A multicentre study of 99,492 admissions in 109 Brazilian units - 24/11/22

Doi : 10.1016/j.accpm.2022.101142 
Igor Tona Peres a, Silvio Hamacher a, Fernando Luiz Cyrino Oliveira a, Fernando Augusto Bozza b, c, Jorge Ibrain Figueira Salluh c,
a Department of Industrial Engineering, Pontifical Catholic University of Rio de Janeiro, Rio de Janeiro, RJ, Brazil 
b Evandro Chagas National Institute of Infectious Disease, Oswaldo Cruz Foundation (FIOCRUZ), Rio de Janeiro, RJ, Brazil 
c IDOR, D’Or Institute for Research and Education, Rio de Janeiro, RJ, Brazil 

Corresponding author.

Highlights

We developed a structured data-driven methodology to predict ICU LoS and the risk of prolonged stay.
The methodology was applied in a large multicentre Brazilian ICU database.
We evaluated 99,492 ICU admissions from 109 ICUs (38 hospitals).
We tested machine learning and stacking models, and the results proved accurate in a large cohort of general ICU patients.

Le texte complet de cet article est disponible en PDF.

Abstract

Purpose

The length of stay (LoS) is one of the most used metrics for resource use in Intensive Care Units (ICU). We propose a structured data-driven methodology to predict the ICU length of stay and the risk of prolonged stay, and its application in a large multicentre Brazilian ICU database.

Methods

Demographic data, comorbidities, complications, laboratory data, and primary and secondary diagnosis were prospectively collected and retrospectively analysed by a data-driven methodology, which includes eight different machine learning models and a stacking model. The study setting included 109 mixed-type ICUs from 38 Brazilian hospitals and the external validation was performed by 93 medical-surgical ICUs of 55 hospitals in Brazil.

Results

A cohort of 99,492 adult ICU admissions were included from the 1st of January to the 31st of December 2019. The stacking model combining Random Forests and Linear Regression presented the best results to predict ICU length of stay (RMSE = 3.82; MAE = 2.52; R² = 0.36). The prediction model for the risk of long stay were accurate to early identify prolonged stay patients (Brier Score = 0.04, AUC = 0.87, PPV = 0.83, NPV = 0.95).

Conclusion

The data-driven methodology to predict ICU length of stay and the risk of long-stay proved accurate in a large multicentre cohort of general ICU patients. The proposed models are helpful to predict the individual length of stay and to early identify patients with high risk of prolonged stay.

Le texte complet de cet article est disponible en PDF.

Keywords : Length of stay, Intensive care unit, Prediction model, Machine learning, Resource use

Glossary : ICU, LoS, SVR, kNN, GBM, RF, LR, GLM, RMSE, MAE, , AUC, PPV, NPV


Plan


© 2022  Société française d'anesthésie et de réanimation (Sfar). Publié par Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 41 - N° 6

Article 101142- décembre 2022 Retour au numéro
Article précédent Article précédent
  • Plasmatic catecholamines after neuraxial labour analgesia: A randomised controlled trial comparing epidural versus combined spinal-epidural
  • Shirley Andrade Santos, Hermann Dos Santos Fernandes, Fernando Souza Nani, Andreza Gonzaga Bartilotti, Rossana Pulcineli Vieira Francisco, Maria José Carvalho Carmona, Fernando Bliacheriene, Joaquim Edson Vieira
| Article suivant Article suivant
  • Serum lactate and acute mesenteric ischaemia: An observational, controlled multicentre study
  • Olivier Collange, Marc Lopez, Anne Lejay, Patrick Pessaux, Alexandre Ouattara, Antoine Dewitte, Thomas Rimmele, Thibaut Girardot, Darko Arnaudovski, Pascal Augustin, Nabil Chakfe, Charles Tacquard, Walid Oulehri, Laurent Zieleskiewicz, François Severac, Marc Leone, Paul Michel Mertes

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.