This study aimed to develop and validate a machine learning (ML) model to predict the probability of a vaginal delivery (Partometer) using data iteratively obtained during labor from the electronic health record.

Abstract Continuous renal replacement therapy (CRRT) is a form of dialysis prescribed to severely ill patients who cannot tolerate regular hemodialysis. However, as the patients are typically very ill to begin with, there is always uncertainty whether they will survive during or after CRRT treatment. Because of outcome uncertainty, a large percentage of patients treated with CRRT do not survive, utilizing scarce resources and raising false hope in patients and their families. To address these issues, we present a machine learning-based algorithm to predict short-term survival in patients being initiated on CRRT. We use information extracted from electronic health records from patients who were placed on CRRT at multiple institutions to train a model that predicts CRRT survival outcome; on a held-out test set, the model achieves an area under the receiver operating curve of 0.848 (CI = 0.822–0.870). Feature importance, error, and subgroup analyses provide insight into bias and relevant features for model prediction. Overall, we demonstrate the potential for predictive machine learning models to assist clinicians in alleviating the uncertainty of CRRT patient survival outcomes, with opportunities for future improvement through further data collection and advanced modeling.

Digital health data from consumer wearable devices and smartphones have the potential to improve our understanding of mental illness. However, in conditions like depression, there is not yet a consistent uniform measurement tool whose result can be reliably used as a gold standard measure of depression severity. This work seeks to specify what symptoms and dimensions of depression can be detected using vitals, activity, and sleep monitored by consumer wearable devices. Machine learning models are fit to digital health data and used to detect responses to individual questions from surveys (self-reports) as well as summary scores from these self-reports. For high performing models, feature importance is investigated. Analysis is conducted on preliminary data from 99 participants of an ongoing study with data from the Apple Watch and iPhone along with validated self-reports relevant to depression severity, anhedonia severity, and sleep quality. Receiver operator characteristic area under the curve (ROC AUC) and average precision are used to assess model performance. The digital health sensor data investigated was found to significantly detect five of 74 measures, including overall depression severity and specific symptoms like poor appetite, aspects of anhedonia, and sleep timings (ROC AUC between 0.63 and 0.72). The features these models use in detection vary per detection task and suggest further areas for investigation to specify the right features to look at per symptom.

COVID-19 mortality forecasting models provide critical information about the trajectory of the pandemic, which is used by policymakers and public health officials to guide decision-making. However, thousands of published COVID-19 mortality forecasts now exist, many with their own unique methods, assumptions, format, and visualization. As a result, it is difficult to compare models and understand under which circumstances a model performs best. Here, we describe the construction and usability of covidcompare.io, a web tool built to compare numerous forecasts and offer insight into how each has performed over the course of the pandemic. From its launch in December 2020 to June 2021, we have seen 4600 unique visitors from 85 countries. A study conducted with public health professionals showed high usability overall as formally assessed using a Post-Study System Usability Questionnaire. We find that covidcompare.io is an impactful tool for the comparison of international COVID-19 mortality forecasting models.

Background: Cardiorespiratory fitness, as measured by maximal oxygen consumption (VO2max) during a cardiopulmonary exercise test (CPET), is a prognostic indicator for longevity and adverse cardiovascular event prevention. This study aims to formulate a regression model utilizing resting and submaximal variables during CPET evaluation in the general population to predict VO2max. Methods: We used 13,535 CPET results on cycle ergometer collected by the UCLA Exercise Physiology Research Laboratory over eight years. Patients were divided into a normal group (NG; n=1,400) and an other group (OG; n=12,135). The inclusion criteria for the NG were: the absence of any known clinical diagnosis, BMI <30, no current use of beta blocker, and VO2max >85% of the predicted value for age and sex (Wasserman equation). OG refers to all other patients not in NG. Models were trained and evaluated for each group using stratified 5-fold cross-validation. We also trained different models using only resting variables (R-VARS) and resting and submaximal exercise variables (R+S-VARS). Feature importance was assessed using Shapely additive explanations (SHAP) values to identify how the feature related to the VO2max prediction. Results: The regression models were trained on the NG, OG, and total (N+OG) groups. The optimal models were Bayesian Ridge for the NG and Light Gradient Boosting Machine for the other two groups. The mean (standard deviation) R2 when using only R-VARS was 0.67(0.037) for the NG, 0.54 (0.014) for the OG, and 0.55 (0.009) for the N+OG. When using R+S-VARS, performance increased to 0.82 (0.014) for the NG, 0.80 (0.010) for the OG, and 0.8 (0.008) for the N+OG. Chronotropic index (ci), body mass index (BMI), VO2 at the first ventilatory threshold (VO2h1kg), minute ventilation at the second ventilatory threshold (VEH2), and forced expiratory volume (FEV1) were important features across the models trained with R+S-VARS. CI, BMI, and VEH2 had a negative effect, while VO2h1kg, FEV1 had positive effect on VO2max prediction. Conclusion: Our VO2max prediction model demonstrated remarkable accuracy in this dataset representing a generally healthy, non-athlete population using R+S-VARS. Particularly noteworthy was the enhanced performance within subgroups exhibiting a lower VO2max. This methodology offers a means to assess VO2max for individuals who might not achieve maximal exhaustion during CPET due to non-cardiopulmonary reasons.

Clinical case reports (CCRs) have a time-honored tradition in serving as an important means of sharing clinical experiences on patients presenting with atypical disease phenotypes or receiving new therapies. However, the huge amount of accumulated case reports are isolated, unstructured, and heterogeneous clinical data, posing a great challenge to clinicians and researchers in mining relevant information through existing indexing tools. In this investigation, in order to render CCRs more findable, accessible, interoperable, and reusable (FAIR) by the biomedical community, we created a resource platform, including the construction of a test dataset consisting of 1000 CCRs spanning 14 disease phenotypes, a standardized metadata template and metrics, and a set of computational tools to automatically retrieve relevant medical information and to analyze all published PubMed clinical case reports with respect to trends in publication journals, citations impact, MeSH Terms, drug use, distributions of patient demographics, and relationships with other case reports and databases. Our standardized metadata template and CCR test dataset may be valuable resources to advance medical science and improve patient care for researchers who are using machine learning approaches with a high-quality dataset to train and validate their algorithms. In the future, our analytical tools may be applied towards other large clinical data sources as well.

 This study examines the relationship between self-reported and physiologically measured sleep quality in individuals with depression and its impact on neurocognitive performance. Using data from 249 participants with medium to high depression monitored over 13 weeks, sleep quality was assessed via retrospective self-report and physiological measures from consumer smartphones and smartwatches. Correlations between self-reported and physiological sleep measures were generally weak. Machine learning models revealed that self-reported sleep quality could detect all depression symptoms measured on the Patient Health Questionnaire-14, whereas physiological measures only detected “sleeping too much” and low libido. Notably, only self-reported sleep disturbances correlated significantly with neurocognitive performance. Physiological sleep was able to detect changes in the self-reported sleep quality domains of sleep medication use and sleep latency. These findings emphasize that self-reported and physiological sleep quality are not measuring the same construct, and both are important to monitor when studying sleep quality in relation to depression.

Abstract Non-alcoholic fatty liver disease (NAFLD) is endemic in developed countries and is one of the most common causes of cardiometabolic diseases in overweight/obese individuals. While liver biopsy or magnetic resonance imaging (MRI) is the current gold standard to diagnose NAFLD, the former is prone to bleeding and the latter is costly. We hereby demonstrated liver electrical impedance tomography (EIT) as a non-invasive and portable detection method for fatty infiltrate. We enrolled 19 subjects (15 females and 4 males; 27 to 74 years old) to undergo liver MRI scans, followed by EIT measurements via a multi-electrode array. The liver MRI scans provided subject-specific a priori knowledge of the liver boundary conditions for segmentation and EIT reconstruction, and the 3-D multi-echo MRI data quantified liver proton-density fat fraction (PDFF%) as a recognized reference standard for validating liver fat infiltrate. Using acquired voltage data and the reconstruction algorithm for the EIT imaging, we computed the absolute conductivity distribution of abdomen in 2-D. Correlation analyses were performed to compare the individual EIT conductivity vs. MRI PDFF with their demographics in terms of gender, BMI (kg·m −2 ), age (years), waist circumference (cm), height (cm), and weight (kg). Our results indicate that EIT conductivity (S·m −1 ) and liver MRI for PDFF were not correlated with the demographics, whereas the decrease in EIT conductivity was correlated with the increase in MRI PDFF ( R = − 0.69, p = 0.003). Thus, EIT conductivity holds promise for developing a non-invasive, portable, and quantitative method to detect fatty liver disease.