UTILIZING MACHINE LEARNING PREDICTIVE ANALYTICS TO ENHANCE EARLY SEPSIS DIAGNOSIS IN CRITICAL CARE SETTING

Abstract

This study develops machine learning and deep learning models to enhance early sepsis diagnosis in critical care using the eICU Collaborative Research Database, which includes over 200,000 ICU admissions from hospitals across the United States. Sepsis remains a global health challenge, responsible for an estimated 49 million cases and 11 million deaths annually. Early detection is crucial but difficult due to the condition’s rapid progression and variable presentation.The research implements and compares several algorithms—Support Vector Machine, Logistic Regression, Random Forest, XGBoost, and Deep Neural Networks—using clinical features such as vital signs, bedside scores, and hemodynamic indicators. Both a core and a comprehensive feature set were used to assess the effect of data richness on performance. Models were evaluated on accuracy, AUROC, F1-score, recall, and specificity, with an emphasis on minimizing false negatives.XGBoost trained on the comprehensive dataset achieved the highest overall performance (AUROC: 0.88, F1-score: 0.74), offering strong sensitivity and specificity. Meanwhile, a dual-input deep learning model achieved the highest recall (0.70), highlighting its suitability for early-warning systems where identifying all potential sepsis cases is critical.This research confirms the value of machine learning in leveraging electronic health records for predictive diagnostics. Practical considerations for clinical integration are also discussed, including model interpretability, deployment within ICU workflows, and risk-based alerting strategies.

การศึกษาครั้งนี้มีวัตถุประสงค์เพื่อพัฒนาแบบจำลองการเรียนรู้ของเครื่อง (Machine Learning) และการเรียนรู้เชิงลึก (Deep Learning) เพื่อช่วยในการวินิจฉัยภาวะติดเชื้อ (Sepsis) ในระยะเริ่มต้นในผู้ป่วยวิกฤต โดยอาศัยข้อมูลจากฐานข้อมูล eICU Collaborative Research Database ซึ่งรวบรวมข้อมูลการเข้ารับการรักษาในหอผู้ป่วยวิกฤต (ICU) กว่า 200,000 ราย จากโรงพยาบาลหลากหลายแห่งในสหรัฐอเมริกา ภาวะติดเชื้อถือเป็นภาวะเร่งด่วนที่มีความรุนแรงสูง ส่งผลกระทบต่อประชากรกว่า 49 ล้านคนทั่วโลกต่อปี และเป็นสาเหตุของการเสียชีวิตประมาณ 11 ล้านราย ดังนั้นการตรวจพบภาวะนี้ได้อย่างรวดเร็วจึงมีความสำคัญต่อการเพิ่มโอกาสรอดชีวิตของผู้ป่วย แบบจำลองที่นำมาเปรียบเทียบในการศึกษานี้ ได้แก่ Support Vector Machine, Logistic Regression, Random Forest, XGBoost และการเรียนรู้เชิงลึก (Deep Learning)โดยฝึกจากชุดข้อมูลที่ประกอบด้วยข้อมูลสัญญาณชีพ ค่าทางห้องปฏิบัติการ และคะแนนการประเมินทางคลินิก ทั้งในรูปแบบชุดข้อมูลหลัก (Core Features) และชุดข้อมูลแบบครอบคลุม (Comprehensive Features) ประสิทธิภาพของแบบจำลองถูกประเมินโดยใช้ตัวชี้วัด เช่น ความแม่นยำ (Accuracy), คะแนน F1, ความไว (Recall), ความจำเพาะ (Specificity) และพื้นที่ใต้กราฟ ROC (AUROC) โดยให้ความสำคัญเป็นพิเศษกับการลดความผิดพลาดจากการไม่สามารถตรวจพบผู้ป่วยที่มีภาวะติดเชื้อ ผลการศึกษาแสดงให้เห็นว่า แบบจำลอง XGBoost ที่ฝึกด้วยชุดข้อมูลแบบครอบคลุมสามารถทำผลงานได้ดีที่สุด (AUROC = 0.88, F1-score = 0.74) ในขณะที่แบบจำลอง Deep Learning ที่ใช้การป้อนข้อมูลแบบคู่ (Dual-Input) สามารถให้ค่า Recall สูงสุดที่ 0.70 ซึ่งเหมาะสมอย่างยิ่งสำหรับระบบเตือนภัยล่วงหน้าในหอผู้ป่วยวิกฤต ที่ต้องการลดโอกาสในการพลาดผู้ป่วยภาวะติดเชื้อ ผลการศึกษานี้ยืนยันว่าเทคนิคการเรียนรู้ของเครื่องสามารถนำข้อมูลเวชระเบียนอิเล็กทรอนิกส์มาใช้ประโยชน์ในการทำนายภาวะติดเชื้อก่อนที่จะเกิดอาการอย่างชัดเจน พร้อมทั้งพิจารณาประเด็นสำคัญเกี่ยวกับการบูรณาการเข้ากับระบบเวชระเบียนในโรงพยาบาล และกลไกการแจ้งเตือนตามระดับความเสี่ยงที่เหมาะสมกับสภาพแวดล้อมจริงทางคลินิก