Il modello dell’indice di deterioramento prevede modestamente i risultati dei pazienti

Fonte: Getty Images

Di Marco Melchionna

3 agosto 2023 - Un nuovo studio ha rilevato che, sebbene l'uso dell'indice di deterioramento (DTI) in ambito ospedaliero abbia fornito risultati modesti, ha gestito in modo incoerente vari gruppi demografici. I ricercatori hanno concluso che è necessaria un'ulteriore convalida per questo modello.

Il peggioramento si riferisce alla ventilazione meccanica, al trasferimento in unità di terapia intensiva o alla morte all'interno dell'ospedale. Secondo lo studio, circa il 15% dei decessi evitabili negli ospedali deriva dalla negligenza del declino clinico.

Data la prevalenza di questo problema, esistono metodi per misurare il deterioramento clinico. Uno strumento è il DTI, un modello di apprendimento automatico sviluppato nel 2017. Sebbene centinaia di ospedali si impegnino con questo modello, rimane non convalidato esternamente. La mancanza di convalida crea un’area grigia attorno alla sua capacità di operare equamente.

Pertanto, i ricercatori miravano a convalidare questo modello e a determinarne il potenziale di bias. In questo studio, i ricercatori hanno incluso otto ospedali eterogenei del Midwest degli Stati Uniti con una popolazione di 13.737 pazienti. Questa popolazione di pazienti ha prodotto 5.143.513 previsioni DTI, 14.834 ricoveri e 13.918 incontri.

Secondo lo studio, il deterioramento descrive casi legati alla ventilazione meccanica, al trasferimento in unità di terapia intensiva o alla morte in ospedale. La prevalenza totale del deterioramento è stata del 10,3%. Non c'era un risultato coerente delle misure di bias tra tutti i sottogruppi. Per coloro che si identificavano come indiani d’America o nativi dell’Alaska, le misurazioni dei pregiudizi erano peggiori del 14%. Tra i pazienti che non hanno rivelato l'origine etnica, questa misura era del 19%.

Questo risultato ha portato i ricercatori a concludere che il DTI è moderatamente in grado di prevedere il peggioramento del paziente. Tuttavia, i risultati incoerenti a livello di osservazione e di incontro tra i vari gruppi demografici hanno spinto i ricercatori a richiedere ulteriori azioni. Ciò ha comportato la necessità di integrare la trasparenza nei dati di addestramento dei modelli e di convalidare ulteriormente i modelli.

L’uso dell’apprendimento automatico per prevedere il peggioramento dei pazienti è comune e valorizza la trasparenza.

Ad aprile, il Nationwide Children's Hospital ha creato un modello di apprendimento automatico che considerava l'indice di rischio di deterioramento (DRI) per prevedere il rischio per i bambini ricoverati w. In tal modo, i ricercatori miravano a eseguire questo processo più velocemente rispetto ai programmi tradizionali, poiché la diagnosi precoce è preziosa per prevenire eventi avversi. Insieme al DRI, i ricercatori hanno preso in considerazione anche gli EHR. Ciò ha consentito l’accesso a dati estesi.

Utilizzando informazioni provenienti da gruppi diagnostici cardiaci, maligni e generali, i ricercatori hanno formato tre modelli predittivi. Questi modelli li hanno aiutati nella creazione degli algoritmi per lo strumento.

A seguito della ricerca, hanno scoperto che il DRI raggiungeva un livello di sensibilità significativamente più alto rispetto al programma di consapevolezza situazionale esistente. Anche gli avvisi precisi erano una caratteristica visualizzata dal modello.

Rispetto al programma di consapevolezza situazionale, il modello ha portato a una riduzione del 77% degli eventi di deterioramento durante i primi 18 mesi. Insieme a questo, il modello era trasparente.

"Questa non è una scatola nera. Mostriamo ai medici cosa succede e come l'algoritmo valuta i dati per attivare gli allarmi", ha affermato Tyler Gorham, data scientist nel settore ricerca e innovazione IT presso Nationwide Children's e coautore della pubblicazione, in un comunicato stampa. "Lo strumento aiuta a supportare il processo decisionale clinico perché il team clinico è in grado di capire perché è stato attivato un allarme." "Lo strumento aiuta a supportare il processo decisionale clinico perché il team clinico è in grado di capire perché è stato attivato un allarme."

Inoltre, l’apprendimento automatico può prevedere il peggioramento del paziente. Tuttavia, i ricercatori devono considerare la trasparenza quando utilizzano questo tipo di risorsa per prevedere il deterioramento.