Prédiction par apprentissage automatique des paramètres des scores d'alerte précoce dans les unités de soins intensifs (AIM-PEW-ICU)

Un grand nombre de fonctions organiques différentes sont enregistrées en temps réel pour les patients surveillés dans une unité de soins intensifs. D'une part, les valeurs mesurées collectées sont utilisées pour la surveillance continue des paramètres vitaux, par ex. la tension artérielle, la fréquence cardiaque et la fréquence respiratoire, mais sont également évaluées plusieurs fois par jour en conjonction avec d'autres données dans le cadre de visites dans les services. Dans les deux cas, dans la surveillance continue d'un nombre limité de paramètres, mais également dans l'évaluation distincte avec un ensemble plus étendu de paramètres analysables, il existe des limites à l'évaluabilité, même avec tous les soins et l'expertise disponibles : en analyse continue, l'interprétation est limitée. par le nombre restreint de paramètres enregistrés en continu décrit ci-dessus. Bien qu'un grand nombre de telles mesures soient possibles et qu'au moins en théorie un plus grand nombre de paramètres puissent être mesurés, il existe des limites spécifiques au patient, telles que la coopération du patient, des limites médicales, telles que l'importance des valeurs mesurées dans des situations spécifiques, mais aussi des limites économiques. sont souvent déterminants dans ce contexte. Bien que des conclusions précises puissent être tirées de la représentation continue et donc complète d’aspects de la physiologie humaine, la limitation des paramètres disponibles réduit l’interprétabilité de la synthèse des différents statuts. En revanche, dans les évaluations plus larges et plus complètes lors de visites à des moments précis, il existe des limites dues, entre autres, à l'enregistrement ponctuel des valeurs mesurées individuelles et aux temps de visite prédéfinis. Même si des valeurs limites sont (ou peuvent être) définies pour les données mesurées et qu'une conséquence, par ex. une étape thérapeutique, est déclenchée si ces valeurs sont dépassées ou non atteintes, cette alerte ne peut être déclenchée que rétrospectivement si ces valeurs sont dépassées et une conséquence ne peut être déclenchée que rétrospectivement. Dans cette situation, un changement physiopathologique est déjà si avancé que, dans de nombreux cas, un mécanisme de compensation ne fonctionne plus correctement et se transforme en situation de décompensation. Dans cette situation, les patients touchés dans une unité de soins intensifs sont dans de nombreux cas en danger de mort. Les deux situations, l'enregistrement continu d'un nombre limité de paramètres et l'évaluation de nombreuses données sous forme d'instantané, pourraient être optimisées malgré les limitations mentionnées. Sans modifier la collecte des données (époque, portée, etc.), les possibilités d'optimisation de leur interprétation et les conséquences pouvant en découler demeurent. L'interprétation des données est principalement déterminée par les interprètes en tant que méthode d'interprétation. Les approches actuelles tentent d'utiliser des méthodes d'apprentissage automatique (ML) pour prédire des situations individuelles qui reconnaissent les événements indésirables dans les données fournies et permettent en même temps de déclencher des alarmes de manière préventive, c'est-à-dire avant qu'une situation mettant la vie en danger ne se produise. En outre, il existe déjà des études sur l’évolution des scores d’alerte précoce dans les séries chronologiques, mais leur valeur informative est limitée pour des périodes de prévision plus longues.