Il machine learning si rivela una sorpresa per il COVID

Una visita in ospedale può essere ridotta a un disturbo iniziale e a un risultato. Ma le cartelle cliniche raccontano una storia diversa, piena di note mediche e storie di pazienti, segni vitali e risultati di test, che abbracciano potenzialmente settimane di degenza. Negli studi sulla salute, tutti questi dati vengono moltiplicati per centinaia di pazienti. Non c’è da meravigliarsi, quindi, che man mano che le tecniche di elaborazione dei dati dell’intelligenza artificiale diventano sempre più sofisticate, i medici trattano la salute come un problema dell’intelligenza artificiale e dei big data.

In un recente sforzo, i ricercatori della Northwestern University hanno applicato l’apprendimento automatico alle cartelle cliniche elettroniche per produrre un’analisi quotidiana più granulare della polmonite in un’unità di terapia intensiva (ICU), dove i pazienti ricevevano assistenza respiratoria da ventilatori meccanici. L’analisi, pubblicata il 27 aprile sul Journal of Clinical Investigation, include il clustering dei giorni dei pazienti mediante machine learning, il che suggerisce che l’insufficienza respiratoria a lungo termine e il rischio di infezione secondaria sono molto più comuni nei pazienti affetti da COVID-19 rispetto a quanto oggetto di molte discussioni. prime paure del COVID: tempeste di citochine.

"La maggior parte dei metodi che si avvicinano all'analisi dei dati in terapia intensiva esaminano i dati dei pazienti al momento del ricovero, quindi i risultati in un momento distante", ha affermato Benjamin D. Singer, coautore dello studio e professore associato presso la Feinberg School of Medicine della Northwestern. "Tutto ciò che sta nel mezzo è una scatola nera."

La speranza è che l’intelligenza artificiale possa ottenere nuovi risultati clinici dai dati giornalieri sullo stato dei pazienti in terapia intensiva oltre lo studio del caso COVID-19.

L’approccio giornaliero ai dati ha portato i ricercatori a due risultati correlati: le infezioni respiratorie secondarie sono una minaccia comune per i pazienti in terapia intensiva, compresi quelli con COVID-19; e una forte associazione tra COVID-19 e insufficienza respiratoria, che può essere interpretata come un’inaspettata mancanza di prove di tempeste di citochine nei pazienti COVID-19. Ci si potrebbe aspettare un eventuale passaggio all’insufficienza multiorgano se i pazienti avessero una risposta infiammatoria alle citochine, cosa che i ricercatori non hanno riscontrato. I tassi riportati variano, ma le tempeste di citochine sono state considerate fin dai primi giorni della pandemia una possibilità pericolosa nei casi gravi di COVID-19.

A circa il 35% dei pazienti è stata diagnosticata un’infezione secondaria, nota anche come polmonite associata al ventilatore (VAP), ad un certo punto durante la degenza in terapia intensiva. Oltre il 57% dei pazienti COVID-19 ha sviluppato VAP, rispetto al 25% dei pazienti non-COVID. Episodi multipli di VAP sono stati segnalati per quasi il 20% dei pazienti affetti da COVID-19.

Catherine Gao, docente di medicina presso la Northwestern University e una delle coautrici dello studio, ha affermato che gli algoritmi di apprendimento automatico utilizzati hanno aiutato i ricercatori a "vedere emergere modelli chiari che avevano senso clinico". Il team ha soprannominato il proprio approccio basato sul machine learning incentrato sulla giornata CarpeDiem, dalla frase latina che significa "cogli l'attimo".

CarpeDiem è stato creato utilizzando la piattaforma Jupyter Notebook e il team ha reso disponibili sia il codice che i dati deidentificati. Il set di dati includeva 44 diversi parametri clinici per ogni giornata di paziente e l'approccio di clustering ha restituito 14 gruppi con firme diverse di sei tipi di disfunzione d'organo: respiratoria, instabilità del ventilatore, infiammatoria, renale, neurologica e shock.

"Il campo si è concentrato sull'idea che possiamo esaminare i primi dati e vedere se questi prevedono come si comporteranno [i pazienti] giorni, settimane o mesi dopo", ha affermato Singer. La speranza, ha detto, è che la ricerca che utilizza lo stato quotidiano dei pazienti in terapia intensiva piuttosto che solo alcuni punti temporali possa dire ai ricercatori – e agli algoritmi di intelligenza artificiale e apprendimento automatico che utilizzano – di più sull’efficacia dei diversi trattamenti o sulle risposte ai cambiamenti nella vita di un paziente. condizione. Una direzione futura della ricerca potrebbe essere quella di esaminare la dinamica della malattia, ha detto Singer.

La tecnica sviluppata dai ricercatori (che hanno chiamato "approccio paziente-giorno") potrebbe rilevare altri cambiamenti negli stati clinici con meno tempo tra i dati, ha affermato Sayon Dutta, un medico d'urgenza del Massachusetts General Hospital che aiuta a sviluppare modelli predittivi per la pratica clinica. utilizzando l'apprendimento automatico e non è stato coinvolto nello studio. I dati orari potrebbero presentare i propri problemi a un approccio di clustering, ha affermato, rendendo i modelli difficili da riconoscere. "Penso che dividere la giornata in blocchi di 8 ore potrebbe invece essere un buon compromesso tra granularità e dimensionalità", ha affermato.