Il riconoscimento e il trattamento precoci della sepsi sono fondamentali per migliorare i risultati dei pazienti. Tuttavia, la diagnosi di sepsi rimane difficile a causa delle vaghe presentazioni cliniche.
Obiettivi
Il nostro obiettivo è sviluppare nuovi strumenti di screening della sepsi con modelli di apprendimento automatico e confrontarne le prestazioni con i metodi tradizionali.
Metodi
Abbiamo utilizzato algoritmi di apprendimento automatico per sviluppare modelli per la previsione precoce del rischio di sepsi basati su dati di cartelle cliniche elettroniche monocentriche retrospettive di pazienti adulti che si sono presentati al pronto soccorso (ED) da giugno 2018 a maggio 2020. Dati di triage disponibili inclusi segni vitali, le caratteristiche di base e i reclami principali sono serviti da predittori. Nel nostro studio, l’80% e il 20% dei dati sono stati suddivisi casualmente rispettivamente in set di addestramento e test. Derivati dal training set, abbiamo costruito i modelli basati su quattro algoritmi di machine learning: regressione logistica, gradient boosting, random forest e rete neurale. Il nostro risultato principale era la prestazione del modello che prevedeva la diagnosi finale di sepsi determinata dall’area sotto la curva caratteristica operativa del ricevitore (AUROC), sensibilità, specificità,
Risultati
In totale sono state analizzate 133.707 visite al pronto soccorso. Tutti i modelli di apprendimento automatico hanno sovraperformato i modelli di riferimento ottenendo un AUROC più elevato (ad es. AUROC 0,931 [IC 95% 0,921–0,944] nel nostro modello migliore (algoritmo forestale casuale) rispetto a 0,635 [CI 95% 0,613–0,660] in qSOFA, 0,688 [ IC 95% 0,662–0,715] in MEWS e 0,814 [IC 95% 0,794–0,833] in SIRS).
Conclusione
I modelli di apprendimento automatico hanno dimostrato prestazioni superiori nella previsione della diagnosi di sepsi tra i pazienti di emergenza rispetto a quelli che utilizzano gli strumenti di screening tradizionali. Sono necessari ulteriori studi per determinare se i modelli miglioreranno i giudizi dei medici e miglioreranno i risultati per i pazienti.
Articolo Originario: Link
