Predição de aprendizado de máquina de parâmetros de pontuações de alerta precoce em unidades de terapia intensiva (AIM-PEW-ICU)

Um grande número de diferentes funções orgânicas são registradas em tempo real para pacientes monitorados em uma unidade de terapia intensiva. Por um lado, os valores medidos recolhidos são utilizados para monitorização contínua de parâmetros vitais, por ex. pressão arterial, frequência cardíaca e frequência respiratória, mas também são avaliadas várias vezes ao dia em conjunto com outros dados como parte das rondas nas enfermarias. Em ambos os casos, no monitoramento contínuo a partir de um número limitado de parâmetros, mas também na avaliação distinta com um conjunto mais extenso de parâmetros analisáveis, há limitações na avaliabilidade mesmo com todo o cuidado e expertise disponíveis: Na análise contínua, a interpretação é limitada pelo número restrito de parâmetros registrados continuamente descritos acima. Embora um grande número de tais medições seja possível, e pelo menos teoricamente um maior número de parâmetros possa ser medido, limites específicos do paciente, como a cooperação do paciente, limites médicos, como a importância dos valores medidos em situações específicas, mas também limites económicos são muitas vezes decisivas neste contexto. Embora conclusões precisas possam ser tiradas da representação contínua e, portanto, completa de aspectos da fisiologia humana, a limitação dos parâmetros disponíveis reduz a interpretabilidade da síntese de diferentes estados. Nas avaliações mais amplas e abrangentes durante visitas em momentos específicos, por outro lado, existem limitações devido, entre outras coisas, aos registros pontuais de valores medidos individuais e aos tempos de visita predefinidos. Mesmo que os valores limite sejam (ou possam ser) definidos para os dados medidos, e uma consequência, por ex. uma etapa de terapia é iniciada se esses valores forem excedidos ou não alcançados, esse alerta só poderá ser iniciado retrospectivamente se esses valores forem excedidos e uma consequência só poderá ser iniciada retrospectivamente. Nesta situação, uma alteração fisiopatológica já está tão avançada que em muitos casos um mecanismo de compensação deixa de funcionar adequadamente e se transforma numa situação de descompensação. Nesta situação, os pacientes afetados numa unidade de cuidados intensivos correm, em muitos casos, perigo mortal. Ambas as situações, o registro contínuo de um número limitado de parâmetros e a avaliação de dados extensos na forma de um instantâneo poderiam ser otimizados apesar das limitações mencionadas. Sem alterar a recolha de dados (tempo, âmbito, etc.), permanecem as possibilidades de optimização da sua interpretação e as consequências que podem derivar da interpretação. A interpretação dos dados é determinada principalmente pelos intérpretes como o método de interpretação. As abordagens atuais tentam utilizar métodos de aprendizagem automática (ML) para prever situações individuais que reconheçam eventos adversos nos dados fornecidos e, ao mesmo tempo, permitam que os alarmes sejam acionados preventivamente, ou seja, antes que ocorra uma situação de risco de vida. Além disso, já existem estudos sobre a alteração das pontuações de alerta precoce em séries temporais, que são, no entanto, limitados no seu valor informativo para períodos de previsão mais longos.