Previsione basata sull'apprendimento automatico dei parametri dei punteggi di allarme precoce nelle unità di terapia intensiva (AIM-PEW-ICU)

Un gran numero di diverse funzioni d'organo vengono registrate in tempo reale per i pazienti monitorati in un'unità di terapia intensiva. Da un lato, i valori misurati raccolti vengono utilizzati per il monitoraggio continuo di parametri vitali, ad es. pressione sanguigna, frequenza cardiaca e frequenza respiratoria, ma vengono valutati anche più volte al giorno insieme ad altri dati durante i giri di reparto. In entrambi i casi, nel monitoraggio continuo da un numero limitato di parametri, ma anche nella valutazione distinta con un insieme più ampio di parametri analizzabili, ci sono limitazioni nella valutabilità anche con tutta la cura e l'esperienza disponibili: nell'analisi continua, l'interpretazione è limitata dal numero limitato di parametri registrati continuamente sopra descritti. Sebbene siano possibili numerose misurazioni di questo tipo e, almeno teoricamente, si possa misurare un numero maggiore di parametri, esistono limiti specifici del paziente come la cooperazione del paziente, limiti medici come il significato dei valori misurati in situazioni specifiche, ma anche limiti economici sono spesso decisivi in ​​questo contesto. Sebbene dalla rappresentazione continua e quindi completa degli aspetti della fisiologia umana si possano trarre conclusioni accurate, la limitazione dei parametri disponibili riduce l'interpretabilità della sintesi dei diversi stati. Nelle valutazioni più ampie e complete durante le visite in determinati momenti, invece, ci sono limitazioni dovute, tra l'altro, alla registrazione puntuale dei singoli valori misurati e ai tempi di visita predefiniti. Anche se vengono (o possono essere) definiti valori limite per i dati misurati e una conseguenza, ad es. una fase della terapia, viene avviata se questi valori vengono superati o non vengono raggiunti, questo avviso può essere avviato solo retrospettivamente se questi valori vengono superati e una conseguenza può essere avviata solo retrospettivamente. In questa situazione il cambiamento fisiopatologico è già così avanzato che in molti casi un meccanismo di compensazione non funziona più adeguatamente e si trasforma in una situazione di scompenso. In questa situazione, i pazienti colpiti in un reparto di terapia intensiva corrono in molti casi un pericolo mortale. Entrambe le situazioni, la registrazione continua di un numero limitato di parametri e la valutazione di dati estesi sotto forma di istantanea, potrebbero essere ottimizzate nonostante le limitazioni menzionate. Senza modificare la raccolta dei dati (tempo, ambito, ecc.), rimangono le possibilità di ottimizzare la loro interpretazione e le conseguenze che possono derivare dall'interpretazione. L'interpretazione dei dati è determinata principalmente dagli interpreti come metodo di interpretazione. Gli approcci attuali tentano di utilizzare metodi di machine learning (ML) per prevedere situazioni individuali che riconoscano eventi avversi nei dati forniti e allo stesso tempo consentano di attivare preventivamente gli allarmi, cioè prima che si verifichi una situazione pericolosa per la vita. Inoltre, esistono già studi sulla variazione dei punteggi di allerta precoce nelle serie temporali, che tuttavia hanno un valore informativo limitato per periodi di previsione più lunghi.