Da Pulmonary Advisor
Un modello basato sull’apprendimento automatico (ML) può prevedere la mortalità ospedaliera a 30 giorni tra i pazienti con asma ricoverati in terapia intensiva (UTI), secondo i risultati di uno studio pubblicato su BMC Pulmonary Medicine.
I ricercatori hanno sviluppato e convalidato il modello sulla base dei dati del database Medical Information Mart for Intensive Care IV (MIMIC-IV). La versione 2.2 di MIMIC-IV include i ricoveri in terapia intensiva dal 2009 al 2019 ed è stata utilizzata per lo sviluppo del modello. Un sottoinsieme di MIMIC-IV versione 3.1, inclusi i ricoveri in terapia intensiva dal 2019 al 2022, è stato utilizzato per la convalida esterna.
La coorte di derivazione includeva pazienti adulti con asma ricoverati in terapia intensiva per la prima volta dal 2009 al 2019. Il gruppo di convalida esterna includeva pazienti adulti con un primo ricovero in terapia intensiva per asma tra il 2020 e il 2022.
Le variabili dei dati a livello di paziente sono state ottenute dalle prime 24 ore di ricovero in terapia intensiva. L’esito clinico primario era la mortalità per tutte le cause a 30 giorni in ospedale. Nella coorte di addestramento sono stati sviluppati in totale 7 algoritmi ML.
L’analisi finale ha incluso 4385 pazienti, con un tasso di mortalità per tutte le cause a 30 giorni in ospedale del 10% (n=431). Nella coorte MIMIC IV 2.2 si sono verificati 321 decessi (9%) e 110 decessi (13%) nella coorte del sottoinsieme MIMIC IV 3.1.
Le coorti di addestramento e di convalida interna includevano rispettivamente 205 (10%) e 116 (8%) decessi entro 30 giorni dal ricovero in terapia intensiva. La costruzione del modello si è basata su 12 caratteristiche: età, frequenza cardiaca, frequenza respiratoria (RR), noradrenalina, malattia cerebrovascolare, sepsi, tumore maligno, ampiezza di distribuzione dei globuli rossi (RDW), gap anionico, INR, tempo di protrombina e diuresi.
Nella coorte di validazione interna, tutti i modelli ML hanno mostrato buone prestazioni discriminanti, con XGBoost che ha registrato l’area sotto la curva caratteristica di funzionamento del ricevitore (AUROC; 0,8344; IC al 95%, 0,8054-0,8834). Nella coorte di validazione esterna, il modello XGBoost ha registrato anche l’AUROC più elevato (0,7989; IC al 95%, 0,7675-0,8522). XGBoost ha prodotto il beneficio netto più elevato nelle probabilità a soglia multipla rispetto ad altri modelli.
Per la previsione della mortalità per tutte le cause a 30 giorni, tutti i modelli hanno mostrato prestazioni discriminanti da moderate a buone nella coorte di validazione interna. L’accuratezza bilanciata variava da 0,69 (albero decisionale) a 0,78 (XGBoost). Nella coorte di validazione esterna, le prestazioni variavano tra i modelli e XGBoost ha continuato a mostrare prestazioni solide, con un’accuratezza di 0,81, una sensibilità di 0,54 e una specificità di 0,85.
I principali fattori predittivi della mortalità a 30 giorni tra i pazienti con asma in terapia intensiva erano età, RR, RDW, diuresi, gap anionico, INR e frequenza cardiaca.
Il modello XGBoost finale è stato fornito come strumento interattivo basato sul web, che consente ai medici di inserire i dati dei pazienti e ottenere previsioni in tempo reale sulla mortalità ospedaliera a 30 giorni.
Tra i limiti figurano l’utilizzo di dati retrospettivi provenienti da un database di terapia intensiva monocentrico e la mancata disponibilità di dati fisiologici ad alta risoluzione, come le forme d’onda del ventilatore, il picco di flusso espiratorio e la spirometria dinamica.
“Il modello XGBoost ha dimostrato prestazioni solide e generalizzabili, confermate da una solida validazione interna ed esterna temporale“, hanno affermato gli autori dello studio. “Implementato come strumento basato sul web, il modello offre funzionalità di valutazione del rischio in tempo reale a supporto del processo decisionale in terapia intensiva“, hanno aggiunto i ricercatori.