ER2 e Deep Learning per la previsione di esiti avversi per la salute

Una visita al Pronto Soccorso (DE) per un adulto anziano è un intervento medico ad alto rischio. Gli eventi avversi noti (AE) includono delirium, DE prolungata o degenza ospedaliera, ricovero, visite ricorrenti in PS e decesso in ospedale. Questi si verificano in una proporzione crescente nei visitatori del pronto soccorso di età superiore ai 65 anni che sono rappresentati nelle visite al pronto soccorso.

Gli strumenti che prevedono gli eventi avversi in pronto soccorso sono di fondamentale importanza per aiutare il processo decisionale sul triage e la disposizione dei pazienti. Possono aiutare a identificare le aree di bisogni insoddisfatti per gli anziani al fine di sviluppare azioni mirate. Sistemi di punteggio multipli tra cui "Programme de recherche sur l'intégration des services de maintien de l'autonomie" (PRISMA-7), Identification of Seniors at Risk (ISAR), Clinical Frailty Scale (CFS), Brief Geriatric Assessment (BGA) hanno è stato ampiamente studiato nell'ED e in altri contesti per vari risultati. Questi strumenti si basano su un semplice sistema di punteggio che il personale minimamente addestrato può amministrare in modo affidabile e rapido. Fare diversamente è improbabile che sia applicabile alla pratica clinica quotidiana.

Poiché l'accuratezza delle previsioni non è migliorata in modo significativo nell'ultimo decennio, forse sono necessarie nuove strategie di analisi. L'attuale clamore che circonda il deep learning deriva da hardware migliore e più economico e dalla disponibilità di librerie semplici e open source supportate da grandi aziende e da un'ampia comunità di utenti. Pertanto, l'implementazione di algoritmi di deep learning (DL) è ora aperta a un'ampia gamma di impostazioni, inclusa l'assistenza medica in una pratica clinica standard. DL ha dimostrato di essere più preciso dello specialista medio certificato dal consiglio su compiti molto specifici. La previsione di vari esiti clinici ha prodotto risultati meno drammatici, forse poiché i modelli tradizionali (non DL) hanno già superato i clinici per molti stati patologici. Gli approcci DL pubblicati applicati alla previsione degli esiti nel pronto soccorso si sono concentrati su adulti gravemente malati in generale, condizioni specifiche o problemi amministrativi come il reparto di accettazione o il sovraffollamento del pronto soccorso. Nessuno ha preso di mira una fascia di età specifica come i visitatori ED più anziani.

Un avvertimento importante per molti approcci DL è l'interpretazione dei risultati. Per sviluppare interventi basati su caratteristiche mirate associate agli eventi avversi in un dato modello, deve essere in qualche modo trasparente. Se più strati di NN migliorano la previsione rispetto alla regressione lineare, spesso non forniscono informazioni clinicamente rilevanti su come e quali variabili interagiscono per produrre quel risultato.