Identificazione dei pazienti ricoverati con riacutizzazioni della BPCO e previsione del rischio di riammissione mediante l'apprendimento automatico

Un quinto dei pazienti dimessi dall'ospedale per riacutizzazioni di BPCO viene riammesso entro 30 giorni.(1, 3, 4) Sebbene le linee guida terapeutiche e assistenziali siano migliorate, l'attuazione delle linee guida rimane scarsa.(5) L'implementazione di standard appropriati attraverso il normale flusso di lavoro ospedaliero presenta sfide significative. Una delle principali sfide è garantire che tutti i pazienti idonei con riacutizzazioni di BPCO siano identificati in modo tempestivo.(6) Un'altra grande sfida è che il personale è spesso troppo impegnato e non ha il tempo di eseguire pratiche basate su prove che riducano le riammissioni.(6) Inoltre, la gestione intensiva dei casi non può essere offerta a tutti a causa delle risorse limitate. Pertanto, è importante essere in grado di identificare precocemente sia le persone ricoverate con BPCO sia quelle ad alto rischio di riammissione.

Le riacutizzazioni della BPCO possono, a volte, non essere facilmente riconosciute all'inizio e impiegare giorni per diventare evidenti. Sintomi di riacutizzazione come la mancanza di respiro non sono specifici e segni come infiltrati radiografici del torace possono essere dovuti a una o più diagnosi. Inoltre, le riacutizzazioni della BPCO possono scatenare o essere scatenate da altre malattie. Di conseguenza, non è raro che i medici ricoverino pazienti con diagnosi provvisorie multiple di insufficienza cardiaca, polmonite, riacutizzazione della BPCO e altro. Distinguere le persone con riacutizzazioni di BPCO è ulteriormente confuso dalle cartelle cliniche elettroniche (EHR) che non hanno diagnosi elencate come elementi codificati. Il risultato finale è che è difficile per il resto del team interprofessionale trovare i pazienti con BPCO all'inizio del ricovero. Questo problema è stato risolto in alcuni ospedali degli Stati Uniti chiedendo agli operatori non sanitari di rivedere le tabelle per identificare i pazienti ricoverati per BPCO.(7) Un approccio alternativo è stato l'apprendimento automatico e l'elaborazione del linguaggio naturale. Questo è stato implementato con un certo successo per i pazienti con insufficienza cardiaca, ma poco è stato fatto per le persone con BPCO.(13) In un programma pilota, l'elaborazione del linguaggio naturale ha aiutato a identificare i pazienti ricoverati con BPCO.(7)

Per indirizzare le scarse risorse a coloro che ne hanno più bisogno, sarebbe utile identificare ulteriormente i pazienti ad alto rischio di riammissione. Questo sarebbe il primo passo per determinare come attuare strategie efficaci per ridurre i tassi di riammissione. Esistono modelli di previsione della riammissione sviluppati per pazienti medici e chirurgici, tra cui il punteggio LACE e il punteggio HOSPITAL.(8, 9) Sfortunatamente, quelli che sono stati studiati non sembrano avere buoni risultati nella popolazione con BPCO.(10) Sebbene siano stati identificati fattori che aiutano a prevedere la riammissione della BPCO, i modelli non sono stati completamente convalidati.(11, 12) Le prestazioni potrebbero essere migliorate attraverso l'uso di dati non strutturati come le note sui progressi del medico e le sintesi delle dimissioni.

L'identificazione precoce delle persone con BPCO e la conoscenza di coloro che sono a rischio di riammissione possono migliorare i risultati di salute. Zafar et al. hanno dimostrato che un pacchetto completo per la cura della BPCO che consisteva in 1. valutazione dell'inalatore, 2. regime di inalazione appropriato, 3. follow-up anticipato della dimissione e 4. istruzioni di dimissione centrate sul paziente hanno ridotto le riammissioni.(14) L'identificazione delle persone ad alto rischio di riammissione potrebbe facilitare l'arruolamento nella gestione intensiva dei casi. Pertanto, condurremo l'attuale studio per identificare i pazienti ricoverati con esacerbazioni acute di BPCO e stratificare i pazienti in base al rischio di riammissione

Metodi:

Utilizzando i dati retrospettivi della Rete Sanitaria Universitaria (UHN), creeremo un set di dati di ricoveri in Medicina Interna Generale negli ultimi 5 anni. Stimiamo che questo includerà circa 40.000 ricoveri di cui 2.000 avranno una diagnosi più responsabile di una riacutizzazione della BPCO. Il set di dati conterrà sia dati codificati strutturati sia dati di testo non strutturati. I dati codificati includeranno età, sesso, farmaci ordinati, comorbilità, valori di laboratorio e test di funzionalità polmonare. I dati di testo non strutturati includeranno note in EHR: note cliniche del medico, riepiloghi delle dimissioni, diagnosi di ricovero, note sullo stato di avanzamento e note dal nostro sistema di firma.

Analisi: utilizzeremo diversi metodi per sviluppare il modello, tra cui regressione logistica, reti neurali profonde e reti neurali convoluzionali. Nello specifico, utilizzeremo anche algoritmi statistici di apprendimento automatico per il rilevamento di eventi utilizzando reti neurali di memoria a lungo e breve termine bidirezionali attraverso una varietà di tipi di input (ad esempio, banchi di filtri di Fourier, coefficienti cepstrali di frequenza Mel, wavelet e audio grezzo). Useremo anche metodi tradizionali come reti dinamiche di Bayes e campi casuali condizionali. Per quanto riguarda l'analisi del testo, identificheremo le frasi chiave che prevedono la riammissione. Un approccio consisterà nell'utilizzare l'analisi del discorso per individuare le frasi "nucleali" dal testo di sfondo. Costruiremo anche modelli predittivi "congiunti" che combinano caratteristiche del testo non strutturato e caratteristiche dei dati codificati strutturati. Utilizzeremo l'area standard sotto la curva ROC per valutare le prestazioni del modello e utilizzeremo la convalida incrociata per ridurre al minimo l'impatto dell'overfitting. Infine, convalideremo i nostri modelli utilizzando un set di dati di diversi centri per determinare se questi risultati sono validi e generalizzabili.

Risultati previsti: lo sviluppo di due modelli convalidati basati sui dati EHR: uno per identificare con precisione i pazienti con AECOPD e il secondo per identificare con precisione i pazienti ad alto rischio di riammissione entro 30 giorni.