Previsione del successo del test di respirazione spontanea utilizzando biosegnale e biomarcatore nell'unità di terapia intensiva mediante un approccio di apprendimento automatico

Contesto:

Diversi autori si sono interessati all'applicazione dell'Intelligenza Artificiale (AI) alla medicina, utilizzando varie tecniche di Machine Learning (ML): gestione dello shock settico, previsione dell'insufficienza renale... [1, 2] L'IA ha un ruolo importante nel supporto decisionale per i medici [ 3]. Il periodo dello svezzamento è un momento molto importante nella gestione di un paziente in ventilazione meccanica e può occupare fino alla metà del tempo trascorso in terapia intensiva. Il primo tentativo di svezzamento non ha successo nel 20% dei pazienti Tuttavia, la mortalità può raggiungere il 38% nei pazienti con lo svezzamento più difficile [4]. Solo pochi studi hanno esaminato l'applicazione dell'apprendimento automatico in quest'area e solo uno ha esaminato l'uso dei biosegnali (frequenza cardiaca, ECG, parametri ventilatori...) [5-7]. Per migliorare la morbilità, la mortalità e ridurre la durata della degenza, è essenziale essere in grado di prevedere il successo del test di respirazione spontanea e dell'estubazione.

I ricercatori propongono di sviluppare un algoritmo predittivo per il successo di un test di svezzamento ventilatorio basato su registrazioni di biosegnali e altre caratteristiche.

Metodi:

È uno studio di terapia intensiva, oligocentrico e retrospettivo in cui i ricercatori hanno incluso variabili di biosegnale estratte dalla cartella clinica elettronica, come respiratorio (RR, volume minuto...), cardiaco (pressione sistolica, frequenza cardiaca...), ventilatore parametri e altre variabili discrete (età, comorbilità...). La maggior parte delle variabili del segnale biologico sono registrazioni minuto per minuto. La registrazione inizia 48 ore prima del test e si interrompe all'inizio del test di svezzamento. Gli investigatori hanno estratto le caratteristiche da questi record, le hanno combinate con altri biomarcatori e hanno applicato diversi algoritmi di apprendimento automatico: regressione logistica, classificatore forestale casuale, classificatore vettoriale di supporto (SVC), XGBoost e metodo di aumento del gradiente di luce (LGBM)...