Predicting Acute Kidney Injury In Sepsis Patients: A Machine Learning Approach

Abstract

Sepsis-induced Acute Kidney Injury (AKI) is a common cause of death for sepsis patients, yet it is poorly understood by the medical community.

Using Tandem Mass Spectrometry (MS/MS), the blood plasma of 135 sepsis patients has been analyzed to measure protein levels. In this thesis we will present an exploratory application of machine learning on this data, with the intent of producing a model which can reliably predict AKI. MS/MS is an expensive analytical technique which produces high precision data of high dimensionality, which thus contains large amounts of information but is difficult to produce. We present our approach to preprocessing, feature selection and model selection when dealing with small amounts of high-dimensional biological data from Mass Spectrometry (MS).

In our investigation we conclude that, with the amount and quality of data currently available, it is not possible at this time to predict AKI in sepsis patients using machine learning. However, a new potential biomarker for AKI is presented, which performs better than established clinical markers on our data set.

Popular Abstract (Swedish)

Kan maskininlärning hjälpa oss förutspå njurskada i sepsispatienter?

Årligen drabbas omkring 40000 människor i Sverige av sepsis och närmare 20% av dessa avlider som följd av sjukdomen. Trots detta är sepsis ett relativt okänt sjukdomstillstånd för allmänheten och även inom akademin är det ett relativt ostuderat område. Således finns det ett stort behov av en fördjupad förståelse av sepsis. Sepsis är ett tillstånd där kroppens eget immunförsvar överreagerar på en bakterie- eller virusinfektion vilket resulterar i organsvikt.

Vanligt förekommande bland sepsispatienter är njursvikt, ett livshotande tillstånd där njurarna inte längre klarar av att utföra sin funktion. Vid njursvikt behöver patienten ges dialys för att ersätta njurarnas funktion. Ju tidigare njursvikten kan identifieras och behandlas desto större är chanserna för patientens överlevnad.

En rådande hypotes är att som följd av njursvikt kommer protein som normalt inte finns i blodet att ackumuleras där. Genom att analysera blodplasma för protein med hjälp av masspektrometri och maskininlärning, hoppas vi att kunna förutspå om en given patient kommer att utveckla njursvikt eller inte. Med hjälp av maskininlärning har vi analyserat masspektrometridata av blodprover från sepsispatienter för att försöka förutspå om en patient kommer att utveckla njurskada till följd av sepsis.

Vi undersöker en rad olika maskininlärningsmetoder, välbeprövade såväl som oortodoxa, för att bygga en prediktionsmodell för njurskada och eventuellt hitta en ny biomarkör som kan användas för att upptäcka de patienter som befinner sig i riskzonen för att utveckla njurskada som följd av sepsis. En biomarkör för att förutspå njurskada är av stor vikt då det endast existerar markörer för att diagnosera njurskada i dagsläget.

En annan konsekvens av vårt arbete är en ny riktning för forskning inom fältet, då en så storskalig analys av denna sort aldrig gjorts på proteindata från sepsispatienter tidigare. Vår slutsats är dessvärre att det i nuläget inte med säkerhet går att förutspå njurskada, men resultaten är ändå lovande och med mer data så kan det mycket väl bli en verklighet.

• author: Laurell, Patrik and Lidman, Dwight
• supervisor: Christian Antfolk
• organization: Department of Biomedical Engineering
• course: BMEM01 20221
• year: 2022
• type: H2 - Master's Degree (Two Years)
• subject: Technology and Engineering
• keywords: machine learning, sepsis
• language: English
• additional info: 2022-12
• id: 9090431
• date added to LUP: 2022-06-30 12:07:12
• date last changed: 2022-06-30 12:08:20