Analysis and data processing to identify COVID-19 patients with spontaneous respiratory capacity and predict their mortality

L’objectiu del present projecte és aportar noves opcions de disseny d’una eina per l’ajuda de presa de decisions, com també l’optimització dels mètodes d’anàlisi de dades presentats prèviament en l’article científic “Predictors of failure with high‐flow nasal oxygen therapy in COVID‐19 patients with acute respiratory failure: a multicenter observational study”[13] i addicionalment proporcionar un model predictiu de mortalitat. L’estudi es centra en una base de dades de pacients contagiats amb COVID‐19 als que se’ls havia administrat oxigenoteràpia d’alt flux amb la finalitat de crear un model de dades predictiu capaç d’inferir la necessitat d’intubació invasiva donades les condicions clíniques inicials del pacient durant el primer dia en l’UCI. Per desenvolupar aquest model, es varen recol∙lectar dades de 5 hospitals en Espanya i Andorra durant els primers mesos de la primera ona de la pandèmia. D’aquest procés es va obtenir una base de dades de 1129 pacients, dels quals 259 van rebre ox‐ igenoteràpia d’alt flux. Amb l’objectiu d’aprofitar aquesta base de dades, en aquest projecte s’analitzen les dades dels esmentats 259 pacients per desenvolupar dos models predictius per estimar la prob‐ abilitat d’intubació i de mortalitat. Amb aquesta finalitat, s’ha establert un mètode més eficient per provar i validar ràpidament diferents tipus d’algoritmes d’aprenentatge automàtic. Els mètodes utilitzats per obtenir el model predictiu de la mortalitat són també aplicables a altres variables, en conseqüència es desenvolupa un model alternatiu de predicció d’intubació. Els resultats obtinguts amb aquest nou model són comparables amb els de l’estudi anterior [13] i a més aporten alternatives viables per la millora en el desenvolupament d’eines que ajuden a la presa de decisions al personal sanitari, basades en tecnologies de Machine Learning. S’obren nous camins on el coneixement del processament de la informació pot aportar soluciones a les necessitats urgents i reals de la societat. L’objectiu del present projecte és aportar noves opcions de disseny d’una eina per l’ajuda de presa de decisions, com també l’optimització dels mètodes d’anàlisi de dades presentats prèviament en l’article científic “Predictors of failure with high‐flow nasal oxygen therapy in COVID‐19 patients with acute respiratory failure: a multicenter observational study”[13] i addicionalment proporcionar un model predictiu de mortalitat. L’estudi es centra en una base de dades de pacients contagiats amb COVID‐19 als que se’ls havia administrat oxigenoteràpia d’alt flux amb la finalitat de crear un model de dades predictiu capaç d’inferir la necessitat d’intubació invasiva donades les condicions clíniques inicials del pacient durant el primer dia en l’UCI. Per desenvolupar aquest model, es varen recol∙lectar dades de 5 hospitals en Espanya i Andorra durant els primers mesos de la primera ona de la pandèmia. D’aquest procés es va obtenir una base de dades de 1129 pacients, dels quals 259 van rebre ox‐ igenoteràpia d’alt flux. Amb l’objectiu d’aprofitar aquesta base de dades, en aquest projecte s’analitzen les dades dels esmentats 259 pacients per desenvolupar dos models predictius per estimar la prob‐ abilitat d’intubació i de mortalitat. Amb aquesta finalitat, s’ha establert un mètode més eficient per provar i validar ràpidament diferents tipus d’algoritmes d’aprenentatge automàtic. Els mètodes utilitzats per obtenir el model predictiu de la mortalitat són també aplicables a altres variables, en conseqüència es desenvolupa un model alternatiu de predicció d’intubació. Els resultats obtinguts amb aquest nou model són comparables amb els de l’estudi anterior [13] i a més aporten alternatives viables per la millora en el desenvolupament d’eines que ajuden a la presa de decisions al personal sanitari, basades en tecnologies de Machine Learning. S’obren nous camins on el coneixement del processament de la informació pot aportar soluciones a les necessitats urgents i reals de la societat. The goal of the present dissertation is to provide new design options for tools to help decision mak‐ ing and to optimize the data analysis methods presented in the scientific article “Predictors of failure with high‐flow nasal oxygen therapy in COVID‐19 patients with acute respiratory failure: a multicen‐ ter observational study”[13]. Furthermore, it provides a predictive model of mortality. The study is centered around a COVID‐19 patient database that have gone through High Flow Nasal Oxygena‐ tion (HFNO) therapy, intending to create a predictive model with the ability to infer the necessity of invasive intubation once the initial clinical conditions are known during patient ICU admission. To de‐ velop this model, data was collected from 5 hospitals in Spain and Andorra during the initial stages of the COVID‐19 pandemic. From this process, a database of 1129 patients was obtained, from which 259 received HFNO. With the goal of mining this database, this project analyzes these patients to develop two models to estimate the probability of intubation and mortality. Therefore, an efficient methodology to quickly test and validate various machine learning algorithms is developed. The methods used to obtain this new mortality model are applicable to other output variables. Hence, an alternative model to predict intubation is also developed. The results obtained from this new model are comparable to the previous study [13], and also provide viable alternatives to enhance the development of tools to help the medical community in the decision‐making process based on machine learning technologies. Furthermore, it opens new possibilities where the knowledge from information processing can provide solutions to real and urgent necessities of society.