Modello di apprendimento automatico per prevedere l'esito e la durata della ventilazione meccanica nell'insufficienza respiratoria ipossiemica acuta (MEMORIAL)

L’insufficienza respiratoria ipossiemica acuta (AHRF) è la causa più comune di ricovero nelle unità di terapia intensiva (UCI) in tutto il mondo. Valuteremo il valore delle tecniche di machine learning (ML) per la previsione precoce della morte in terapia intensiva e della durata prolungata (>7 giorni) della ventilazione meccanica (MV) nei pazienti AHRF in MV. Pochi studi hanno indagato la previsione della mortalità e della durata della VM nei pazienti con AHRF.

Per lo sviluppo del modello, i ricercatori estrarranno i dati per i primi 3 giorni dopo la diagnosi di AHRF dai pazienti inclusi nel database non identificato della coorte PANDORA. Avevamo un database con 2.000.000 di dati demografici e clinici anonimizzati e dissociati di 1.241 pazienti con AHRF arruolati nella nostra coorte PANDORA (Prevalenza ED Esito dell'insufficienza respiratoria acuta) da 22 ospedali spagnoli e coordinati dal ricercatore principale (JV). I ricercatori seguiranno le linee guida TRIPOD (Report trasparente di un modello di previsione multivariabile per la prognosi o la diagnosi individuale) per la previsione del modello. Verificheremo le variabili raccolte utilizzando un metodo di selezione delle variabili con algoritmo genetico per ottenere parsimonia. Abbiamo valutato il numero minimo di modelli di variabili utilizzando la regressione logistica e 4 algoritmi ML supervisionati: Random Forest, Extreme Gradient Boosting, Support Vector Machine e Multilayer Perceptron. Utilizzeremo una validazione incrociata 5 volte nel set di dati di 1.000 pazienti selezionati casualmente nei dati di training (80%) e nei dati di test (20%). Per la validazione esterna, utilizzeremo i restanti 241 pazienti.