Il modello di machine learning prevede con precisione l’ictus utilizzando i dati esistenti

Jan 17, 2024

L'ictus può essere difficile da diagnosticare poiché i pazienti non sempre presentano i sintomi classici e altre condizioni possono imitarlo. I ricercatori hanno utilizzato i dati esistenti per sviluppare un modello di apprendimento automatico che predice accuratamente l’ictus e potrebbe facilitare la diagnosi.

Gli errori diagnostici rappresentano un grave problema di salute pubblica e contribuiscono a danni prevenibili ai pazienti e a spese eccessive per la salute. Le morti prevenibili dovute a ictus dovute a errori diagnostici sono 30 volte più comuni degli attacchi cardiaci diagnosticati erroneamente.

L’ictus può essere particolarmente difficile da diagnosticare, poiché i suoi segni e sintomi possono essere imitati da altre condizioni come convulsioni, emicranie, disturbi psichiatrici e intossicazione da droghe e alcol. Inoltre, gli ictus possono presentarsi con sintomi atipici. Circa il 25% dei malati di ictus non presenta i soliti problemi di linguaggio, abbassamento del viso e debolezza degli arti, complicando ulteriormente la capacità del medico di fare una diagnosi accurata.

I ricercatori delle università Carnegie Mellon, Florida International e Santa Clara hanno sviluppato uno strumento di screening automatizzato utilizzando la tecnologia di apprendimento automatico per eliminare alcune congetture dalla diagnosi di ictus.

"I metodi di apprendimento automatico sono stati utilizzati per aiutare a rilevare l'ictus interpretando dati dettagliati come note cliniche e risultati di imaging diagnostico", ha affermato Rema Padman, autore corrispondente dello studio. "Ma tali informazioni potrebbero non essere prontamente disponibili quando i pazienti vengono inizialmente valutati nei reparti di emergenza ospedalieri, soprattutto nelle comunità rurali e sottoservite".

Per sviluppare il loro algoritmo di previsione dell’ictus, i ricercatori hanno utilizzato più di 143.000 cartelle cliniche individuali provenienti da ricoveri negli ospedali per acuti della Florida tra il 2012 e il 2014. Hanno anche incorporato dati dell’American Community Survey condotto dall’US Census Bureau, che includeva dati demografici come l’età , sesso, razza e condizioni mediche esistenti.

Il modello di apprendimento automatico ha previsto l’ictus con una precisione dell’84%. Si è rivelato anche altamente sensibile, superando i modelli diagnostici esistenti, che tendono a ignorare fino al 30% degli ictus.

"La sensibilità moderata dei modelli esistenti fa temere che non vengano rilevati una percentuale sostanziale di persone affette da ictus", ha affermato Min Chen, autore principale dello studio. “Negli ospedali con carenza di risorse mediche e personale clinico, il nostro algoritmo può integrare i modelli attuali per aiutare a stabilire rapidamente la priorità dei pazienti per un intervento appropriato”.

I risultati dello studio suggeriscono che questo modello di apprendimento automatico può prevedere con precisione la probabilità che una persona abbia avuto, o stia avendo, un ictus prima di ottenere conferma attraverso immagini diagnostiche o test di laboratorio.

"Poiché il nostro modello non richiede note cliniche o risultati di test diagnostici, potrebbe essere particolarmente utile per affrontare le sfide legate alla diagnosi errata quando si tratta di pazienti con ictus con sintomi più lievi e atipici", ha affermato Xuan Tan, coautore dello studio. studio. "Potrebbe anche essere utile nei dipartimenti di emergenza di centri a basso volume o non colpiti da ictus, dove gli operatori hanno un'esposizione giornaliera limitata all'ictus, e nelle aree rurali con disponibilità limitata di strumenti diagnostici sensibili".

Ma i ricercatori sottolineano che il loro algoritmo non vuole essere un modello autonomo; dovrebbe essere utilizzato insieme ai modelli esistenti di diagnosi dell’ictus.

I ricercatori raccomandano che il loro algoritmo di previsione dell’ictus venga incorporato in uno strumento di screening automatizzato e assistito da computer accessibile al momento del ricovero in ospedale.

Lo studio è stato pubblicato sul Journal of Medical Internet Research.

Fonte: Carnegie Mellon University