I programmi di machine learning prevedono il rischio di morte sulla base dei risultati dei test ospedalieri di routine

Jun 18, 2023

Riepilogo: Utilizzando i dati ECG, un nuovo algoritmo di apprendimento automatico è stato in grado di prevedere la morte entro 5 anni dal ricovero in ospedale di un paziente con una precisione dell’87%. L’intelligenza artificiale è stata in grado di classificare i pazienti in 5 categorie che vanno dal rischio di morte basso ad alto.

Fonte:Università dell'Alberta

Se sei mai stato ricoverato in ospedale o hai visitato un pronto soccorso, probabilmente hai avuto un elettrocardiogramma, o ECG, un test standard che coinvolge minuscoli elettrodi attaccati al petto che controlla il ritmo del cuore e l'attività elettrica.

Gli ECG ospedalieri vengono solitamente letti da un medico o un infermiere al tuo capezzale, ma ora i ricercatori stanno utilizzando l’intelligenza artificiale per raccogliere ancora più informazioni da questi risultati per migliorare la tua assistenza e il sistema sanitario contemporaneamente.

Nei risultati recentemente pubblicati, il gruppo di ricerca ha costruito e addestrato programmi di apprendimento automatico basati su 1,6 milioni di ECG eseguiti su 244.077 pazienti nel nord dell’Alberta tra il 2007 e il 2020.

L'algoritmo ha previsto il rischio di morte da quel momento per ciascun paziente per tutte le cause entro un mese, un anno e cinque anni con un tasso di precisione dell'85%, classificando i pazienti in cinque categorie dal rischio più basso a quello più alto.

Le previsioni erano ancora più accurate quando venivano incluse le informazioni demografiche (età e sesso) e i risultati di sei esami del sangue di laboratorio standard.

Lo studio è una prova di concetto per l'utilizzo dei dati raccolti regolarmente per migliorare l'assistenza individuale e consentire al sistema sanitario di "imparare" man mano che procede, secondo il ricercatore principale Padma Kaul, professoressa di medicina e co-direttrice del Canadian Centro VIGORE.

"Volevamo sapere se potevamo utilizzare nuovi metodi come l'intelligenza artificiale e l'apprendimento automatico per analizzare i dati e identificare i pazienti a maggior rischio di mortalità", spiega Kaul.

"Questi risultati illustrano come i modelli di apprendimento automatico possono essere utilizzati per convertire i dati raccolti abitualmente nella pratica clinica in conoscenze che possono essere utilizzate per aumentare il processo decisionale presso il punto di cura come parte di un sistema sanitario di apprendimento."

Un medico ordinerà un elettrocardiogramma se si soffre di pressione alta o sintomi di malattie cardiache, come dolore toracico, mancanza di respiro o battito cardiaco irregolare. La prima fase dello studio ha esaminato i risultati dell'ECG in tutti i pazienti, ma Kaul e il suo team sperano di perfezionare questi modelli per particolari sottogruppi di pazienti.

Hanno inoltre in programma di focalizzare le previsioni oltre la mortalità per tutte le cause, per esaminare specificamente le cause di morte legate al cuore.

"Vogliamo prendere i dati generati dal sistema sanitario, convertirli in conoscenza e reimmetterli nel sistema in modo da poter migliorare l'assistenza e i risultati. Questa è la definizione di un sistema sanitario che apprende".

Autore:Ross NeitzFonte:Università dell'AlbertaContatto:Ross Neitz – Università di AlbertaImmagine:L'immagine è di pubblico dominio

Ricerca originale: Accesso aperto. "Verso un sistema sanitario di apprendimento basato sull'intelligenza artificiale per la previsione della mortalità a livello di popolazione utilizzando elettrocardiogrammi" di Padma Kaul et al. npj Medicina Digitale

Astratto

Verso un sistema sanitario di apprendimento basato sull’intelligenza artificiale per la previsione della mortalità a livello di popolazione utilizzando elettrocardiogrammi

La fattibilità e il valore del collegamento dei dati dell’elettrocardiogramma (ECG) ai dati sanitari amministrativi longitudinali a livello di popolazione per facilitare lo sviluppo di un sistema sanitario basato sull’apprendimento non sono stati completamente esplorati. Abbiamo sviluppato modelli di machine learning basati su ECG per prevedere il rischio di mortalità tra i pazienti che si presentano al pronto soccorso o all’ospedale per qualsiasi motivo.

Utilizzando i tracciati ECG a 12 derivazioni e le misurazioni di 1.605.268 ECG di 748.773 episodi sanitari di 244.077 pazienti (2007-2020) in Alberta, Canada, abbiamo sviluppato e convalidato il Deep Learning (DL) basato su ResNet e l'XGBoost (XGB) basato sul gradient boosting. modelli per prevedere la mortalità a 30 giorni, a 1 anno e a 5 anni. I modelli per la mortalità a 30 giorni, a 1 anno e a 5 anni sono stati addestrati su 146.173, 141.072 e 111.020 pazienti e valutati rispettivamente su 97.144, 89.379 e 55.650 pazienti. Nella coorte di valutazione, il 7,6%, 17,3% e 32,9% dei pazienti sono morti rispettivamente entro 30 giorni, 1 anno e 5 anni.