Development and validation of a deep learning model for prediction of the 30-day mortality of patients with community-acquired pneumonia from chest X-ray

Abstract

In order to improve the prognosis of community-acquired pneumonia and reduce the burden of costs due to pneumonia, accurate risk prediction to take appropriate action according to the severity of each patient is important. Although indicators have been developed to predict the prognosis of related disease groups (e.g. CURB-65), there are limitations in that there is difficulty in actual use due to unsatisfactory performance or many factors included in the indicators. In this retrospective study, a DL model was developed to predict the risk of death within 30 days of the diagnosis of CAP from the initial CR, using data from patients diagnosed with CAP in a single institution between 2013 and 2019. The DL model was evaluated in consecutive patients who visited the emergency department of the same institution due to CAP between January and December 2020 (test cohort A), and two different institutions (test cohorts B and C). The discrimination of the DL model was evaluated using area under receiver operating characteristic curves (AUCs). The added value of DL model prediction to the CURB-65 score, an established risk prediction tool, was evaluated using continuous net reclassification improvement (NRI) and integrated discrimination improvement (IDI). In test cohorts A (947 patients; mean age, 71 years ± 14; 597 men), B (467 patients; mean age, 73 years ± 15; 296 men), and C (381 patients; mean age, 71 years ± 14; 243 men), the 30-day mortality rates were 18%, 8%, and 11%, respectively. The DL model exhibited AUCs of 0.77, 0.80, and 0.80 in test cohorts A, B, and C, respectively. Adding DL model prediction to the CURB-65 score improved discrimination in all external test cohorts (continuous NRI, 0.30–0.74; IDI, 0.08–0.12). In conclusion, a deep learning-based model could predict 30-day mortality in patients with community-acquired pneumonia from chest radiographs. Adding deep learning model prediction to the CURB-65 score led to improved discrimination. Evaluation of CXRs of patients with CAP using the DL model for mortality prediction may help improve risk stratification and clinical decision-making for hospitalization or intensive care.

지역사회획득폐렴 환자의 예후를 개선하고 폐렴으로 인한 비용 부담을 줄이기 위해서는 정확한 위험도 예측이 필요하다. 관련 질환군의 예후를 예측하기 위한 지표(CURB-65)가 개발되었으나 성능이 만족스럽지 못하거나 지표에 포함된 인자 획득의 어려움으로 실제 사용에 한계가 있다. 본 연구에서는 2013년부터 2019년 사이 단일 기관에서 지역사회획득폐렴으로 진단받은 환자 데이터를 활용해 진단 시 촬영한 흉부방사선영상에서 지역사회획득폐렴 진단 후 30일 이내 사망 위험을 예측하는 딥러닝 모델을 개발하고 검증했다. 제안하는 딥러닝 모델은 2020년 1월부터 12월 사이에 지역사회획득폐렴으로 같은 기관의 응급실을 방문한 환자(테스트 코호트 A)와 2개의 다른 기관(테스트 코호트 B, C)에서 평가되었다. 본 모델의 성능 평가를 위해 area under receiver operating characteristic curves (AUCs)를 사용했다. 기존의 위험 예측 지표인 CURB-65 점수에 대한 딥러닝 모델의 부가 가치는 순 재분류 지수 (NRI)와 통합 판별 개선(IDI)을 이용하여 평가되었다. 검사 코호트 A, B, C에서는 30일간 사망률이 각각 18%, 8%, 11%였다. 딥러닝 모델은 테스트 코호트 A, B, C에 각각 0.77, 0.80, 0.80의 AUC를 나타냈다. 모든 외부 테스트 코호트(연속 NRI, 0.30-0.74, IDI, 0.08-0.12) 점수에 DL 모델 예측을 추가하였을 때 성능이 향상되었다. 본 연구를 통해 딥러닝 기반 모델이 흉부방사선영상을 통해 지역사회획득폐렴 환자의 30일 사망률을 예측할 수 있음을 확인하였다. 딥러닝 기반의 사망률 예측 모델을 사용하여 지역사회획득폐렴 환자의 흉부방사선영상을 평가하는 것은 입원 또는 집중 치료를 위한 위험 계층화와 임상 의사 결정을 개선하는 데 도움이 될 수 있다.