Predizione delle Malattie Infettive nei Paesi a Basso e Medio Reddito Utilizzando Dati delle Cartelle Cliniche Elettroniche (DiGi)

La dengue è una malattia infettiva emergente rapidamente nell'Asia meridionale e sudorientale. La diagnosi definitiva richiede test di laboratorio (PCR o test antigenici) che spesso non sono disponibili nelle aree con la più alta incidenza. Identificare correttamente i pazienti che hanno la dengue, e il piccolo numero di pazienti con dengue che progrediranno verso una malattia grave, è importante per garantire l'immediata istituzione di trattamenti appropriati.

I modelli esistenti utilizzano una combinazione di caratteristiche cliniche e di laboratorio. Un modello sviluppato e testato su dati di 397 pazienti ricoverati presso l'Ospedale per le Malattie Tropicali di Bangkok nel 2013-2014 ha utilizzato la modellazione bayesiana di variabili (fegato ed emocromo completo) e sintomi clinici (inclusi febbre, petecchie, sanguinamento) per distinguere la dengue da altre malattie febbrili. Il modello risultante ha ottenuto un AUC di 0,75, che è migliorato a 0,8 quando è stato incluso l'NS1. I punteggi Sequential Organ Failure (SOFA), o versioni modificate, utilizzano dati sui segni vitali e esami del sangue (fegato, rene ed ematologia) e sono buoni indicatori di coloro che probabilmente moriranno. Tuttavia, funzionano meno bene in malattie moderatamente gravi (ad esempio, prevedere la necessità di ricovero in terapia intensiva).

Questi approcci sono promettenti, ma sono limitati da una limitata generalizzabilità, dall'uso di più esami del sangue e sintomi clinici. Uno strumento facile e a basso costo in grado di diagnosticare rapidamente la dengue e prevedere la gravità della malattia sarebbe di grande valore nella regione. Con i moderni metodi di apprendimento automatico, ciò è ora fattibile e le barriere precedentemente identificate, come la necessità di grandi quantità di dati di addestramento, possono ora essere superate. Ad esempio, i modelli possono essere creati da grandi set di dati, ma poi ottimizzati per set di dati più piccoli e diversi (dati provenienti da altre località/condizioni, o con meno dati di input).

Abbiamo precedentemente dimostrato che gli algoritmi di apprendimento automatico basati sui dati potrebbero generalizzare attraverso più Trust del Servizio Sanitario Nazionale (NHS) del Regno Unito (per la previsione del COVID-19). Sebbene inizialmente addestrato su dati di oltre 77.000 pazienti, abbiamo creato un modello che richiede solo dati sui segni vitali e l'emocromo al letto in grado di prevedere la diagnosi di COVID-19 nei pazienti che si presentano negli ospedali del Regno Unito. Abbiamo dimostrato la capacità di adattare questo modello per un contesto di paese a reddito medio-basso (LMIC) utilizzando dati di due ospedali vietnamiti. I modelli adattati hanno raggiunto AUROC intorno a 0,75 e AUPRC intorno a 0,89 (simili ai siti del Regno Unito dove erano disponibili quantità di dati molto maggiori). Eseguendo il "trasferimento dell'apprendimento", per cui un piccolo sottoinsieme di dati del Regno Unito è stato utilizzato per supportare lo sviluppo del modello in Vietnam, le prestazioni sono migliorate tra il 5-10%. Abbiamo anche scoperto che l'uso di metodi statistici per affrontare i valori mancanti può ulteriormente migliorare le prestazioni predittive del 2-5%. Questo modello di apprendimento automatico può anche funzionare come un 'modello di base' ed essere adattato per un nuovo compito, ad esempio la dengue.