Il rischio clinico, ossia la possibilità che un paziente possa essere vittima di un evento avverso e che, quindi, subisca un qualsiasi danno dalle cure ricevute durante la degenza in nosocomio, è una delle tematiche più calde in sanità e rappresenta, da decenni, anche una delle maggiori sfide per chi è deputato a “contrastarlo e a prevederlo”. Uno studio accademico belga[1] di alcuni mesi fa ha dimostrato che i modelli di apprendimento automatico (Machine Learning) associati alla prevenzione del rischio clinico – principalmente applicati a sepsi e lesioni renali acute – raggiungono “prestazioni elevate” quando vengono implementati in tempo reale in più ospedali.
Lo studio belga: flussi di lavoro real time
Secondo lo studio belga, i modelli di apprendimento automatico sono utilizzati per molti tipi di previsione del rischio clinico, anche se la maggior parte di essi viene sviluppata utilizzando dati retrospettivi. Infatti, sono (ancora) pochi i modelli che utilizzano dati provenienti da flussi di lavoro “real time” nei diversi ospedali. I ricercatori hanno osservato che i modelli di previsione che utilizzano dati provenienti da flussi di lavoro clinici in tempo reale sono cruciali a causa della mancanza di interoperabilità dei sistemi utilizzati per archiviare i dati retrospettivi e delle differenze nella prevalenza dei vari eventi di rischio clinico. Questi fattori possono influenzare negativamente l’accuratezza delle previsioni di un modello, che può quindi avere un impatto sulla qualità delle cure e sugli esiti degli eventi di rischio.
I ricercatori hanno iniziato ad addestrare i modelli di previsione per i tre casi d’uso utilizzando i dati retrospettivi di ciascun ospedale coinvolto nello studio. Tali ricercatori hanno addestrato ogni modello retrospettivo utilizzando uno strumento di calibrazione comune ai diversi ospedali e casi d’uso, procedendo a costruire e addestrare nuovi modelli da utilizzare nei flussi di lavoro clinici in tempo reale e calibrandoli con i dati specifici di ciascun ospedale. Questi nuovi modelli sono stati poi distribuiti nei nosocomi e utilizzati nella normale pratica clinica. Le conseguenti prestazioni sono state confrontate con i modelli che utilizzavano solo i dati retrospettivi di ciascun ospedale e i ricercatori hanno anche condotto una valutazione inter-ospedaliera generando previsioni per un ospedale utilizzando un modello addestrato sui dati di un altro ospedale. Nel complesso, le prestazioni dei modelli di previsione che utilizzano dati provenienti da flussi clinici in tempo reale sono risultate simili a quelle dei modelli che utilizzano dati retrospettivi.
Verso una ricerca incentrata sulla valutazione dei risultati clinici dettagliati dei modelli di previsione nella pratica medica quotidiana
Tuttavia, la valutazione inter-ospedaliera ha mostrato prestazioni di predizione fortemente ridotte in quest’ultimo caso. Questo calo delle prestazioni ha evidenziato i limiti nello sviluppo di modelli di previsione “generici” da utilizzare in diversi ospedali. Questi risultati indicano che la calibrazione del modello è fondamentale per il successo del modello stesso. I modelli utilizzati nello studio sono stati tutti sviluppati utilizzando un processo generico, ma ciò che ha garantito le loro elevate prestazioni è stata la fase di calibrazione che ha utilizzato i dati specifici del dato ospedale. I ricercatori dello studio belga hanno concluso che l’utilizzo di un processo di sviluppo di un “modello generico” e l’implementazione di strumenti di calibrazione per generare modelli specifici per il dato ospedale è un approccio valido per la progettazione del modello di previsione. Il prossimo passo sarà procedere verso una ricerca incentrata sulla valutazione dei risultati clinici dettagliati dei modelli di previsione nella pratica medica quotidiana.[2]
University of Florida: analisi predittiva basato su AI per prevedere con precisione il rischio di deterioramento del paziente
Passando all’altro lato dell’Atlantico, un nuovo studio statunitense[3] dimostra che uno strumento di analisi predittiva basato sull’intelligenza artificiale può prevedere con precisione il rischio di deterioramento del paziente (“Patient at Risk of deterioration” o “PaR”) e altri esiti avversi entro sei ore dal ricovero in ospedale. Gli eventi avversi durante il ricovero comportano, solitamente, degenze ospedaliere più lunghe, danni permanenti (o morte) e, spesso, richiedono interventi salvavita. Migliorare l’acquisizione dei – e la sorveglianza sui – dati per prevenire gli eventi avversi negli ospedali deve essere, in altre parole, una priorità. Per favorire un intervento precoce e migliorare gli esiti (positivi) in ambito ospedaliero, i ricercatori della University of Florida hanno sviluppato uno strumento in grado di fornire informazioni più tempestive e accurate sulle condizioni dei pazienti e sui probabili esiti medici.
Il team di ricerca ha creato un dataset “preso” dalle cartelle cliniche elettroniche dei pazienti contenente i dati relativi a più di settantacinquemila ricoveri di pazienti adulti, presso un centro di cura, avvenuti tra il 2014 e il 2016. Questi dati sono stati poi utilizzati per addestrare un algoritmo di analisi predittiva per sfruttare alcuni segni vitali raccolti nella routine ospedaliera: pressione sanguigna sistolica e diastolica, frequenza cardiaca, frequenza respiratoria, temperatura e saturazione dell’ossigeno (tutti misurati nelle prime sei ore di ricovero). Utilizzando la misurazione dei segni vitali, l’algoritmo ha raggruppato i pazienti in base ai fenotipi della malattia e alle firme fisiologiche. Lo strumento ha suddiviso i pazienti in quattro gruppi (da A a D), etichettati come “fisiotipi” (insieme di persone o organismi che presentano, tra loro, un particolare insieme di caratteristiche fisiche).
Con l’AI segnali di allarme precoci entro 6 ore
I pazienti del fisiotipo A presentavano un’ipotensione precoce e persistente, quelli del fisiotipo B un’infiammazione di basso grado e quelli del fisiotipo C un’aumentata attività cardiaca. Secondo i ricercatori americani queste condizioni possono essere gravi nelle fasi iniziali, ma hanno il potenziale per essere risolte e portare a successivi esiti favorevoli per il paziente. I pazienti del fisiotipo D presentavano, invece, la prevalenza più significativa di malattie cardiovascolari e renali croniche e avevano più probabilità degli altri di morire entro tre anni dal ricovero. Secondo i ricercatori della Florida, ciascuna delle condizioni sopra descritte può portare a esiti negativi, ma lo strumento di analisi predittiva raccoglie e analizza i dati dei pazienti per fornire ai medici un quadro migliore della salute dell’assistito e migliorare il processo decisionale clinico del medico. Opera, in altre parole, come una sorta di segnale di allarme precoce: entro sei ore, si possono identificare i pazienti “a rischio di deterioramento” nonché chi ha bisogno di maggiore “attenzione” da parte dei professionisti sanitari nell’immediato.[4]
Note
- Machine Learning–Based Prediction Models for Different Clinical Risks in Different Hospitals: Evaluation of Live Performance. Journal of Medical Internet Research. https://doi.org/10.2196/34295 ↑
- AI Models Accurately Predict Clinical Risks in Multiple Hospitals Using Live Data. Health IT Analytics. https://healthitanalytics.com/news/ai-models-accurately-predict-clinical-risks-in-multiple-hospitals-using-live-data ↑
- Physiologic signatures within six hours of hospitalization identify acute illness phenotypes. PLOS. https://journals.plos.org/digitalhealth/article?id=10.1371/journal.pdig.0000110 ↑
- New Patient Outcome Prediction Tool May Improve Clinical Decision-Making. Health IT Analytics. https://healthitanalytics.com/news/new-patient-outcome-prediction-tool-may-improve-clinical-decision-making ↑
