Modello di machine learning rivoluzionario prevede l'arresto cardiaco nei pazienti ICU con alta precisione

In uno studio rivoluzionario pubblicato su Npj Digital Medicine, i ricercatori hanno presentato un nuovo modello di machine learning (ML) che dimostra un'eccezionale precisione nel prevedere l'arresto cardiaco nei pazienti della terapia intensiva (ICU) utilizzando i dati dell'elettrocardiogramma (ECG).

Svelare la necessità di modelli predittivi migliorati

Nonostante i progressi nella medicina di terapia intensiva, l'incidenza di arresti cardiaci inaspettati e improvvisi rimane una sfida per i pazienti ricoverati in ICU. Le diverse ragioni dietro l'arresto cardiaco in ospedale rendono necessario lo sviluppo di modelli di previsione accurati per il rilevamento in tempo reale, consentendo interventi tempestivi e salvavita come la rianimazione cardiopolmonare (RCP) e la defibrillazione precoce.

Mentre i modelli precedenti si basavano su caratteristiche cliniche dalle cartelle mediche elettroniche (EMR), le limitazioni nella raccolta di varie variabili EMR hanno portato a un passaggio verso algoritmi ML basati sui dati ECG. I modelli di previsione basati sull'elettrocardiogramma garantiscono un monitoraggio costante e in tempo reale, offrendo un potenziale punto di svolta per le previsioni di arresto cardiaco in ospedale.

Il team di ricerca ha costruito meticolosamente un dataset ECG strutturato da 5.679 degenze in ICU che coinvolgevano 4.821 pazienti. Utilizzando i segnali elettrocardiografici, hanno calcolato un set completo di 74 misure di variabilità della frequenza cardiaca (HRV), incluse misure nel dominio del tempo, nel dominio della frequenza e non lineari. L'algoritmo BorutaShap ha selezionato 33 di queste misure come caratteristiche di input per il modello di previsione.

Impiegando un algoritmo di boosting leggero a gradiente (LGBM), i ricercatori hanno ottimizzato gli iperparametri del modello utilizzando l'ottimizzazione bayesiana. L'esito primario era l'occorrenza di arresto cardiaco entro 0,5-24 ore, con esiti secondari considerati a vari intervalli di tempo.

Risultati impressionanti e analisi comparativa

Il modello ML ha raggiunto un'area sotto la curva operativa del ricevitore (AUROC) eccezionale di 0,881 e un'area sotto la curva precisione-recall (AUPRC) di 0,104 per l'esito primario. Le prestazioni di discriminazione del modello sono rimaste robuste attraverso gli esiti secondari, dimostrando la sua affidabilità nel prevedere l'arresto cardiaco nei pazienti ICU.

Confrontando il modello ML con un modello basato su parametri clinici, che utilizzava 43 caratteristiche derivate dai segni vitali, ha rivelato un AUROC significativamente più alto (0,881 contro 0,735, p < 0,001) per il modello dello studio che utilizzava le misure HRV. Ciò evidenzia la superiorità del modello ML basato su ECG nel prevedere l'arresto cardiaco improvviso.

Svelare le principali misure HRV e implicazioni future

L'analisi dell'importanza delle caratteristiche ha identificato le sei misure principali, tra cui il ventesimo percentile degli intervalli RR (Prc20NN), l'interpolazione triangolare dell'istogramma degli intervalli RR (TINN) e il range interquartile degli intervalli RR (IQRNN). Queste misure hanno mostrato cambiamenti dinamici circa sei ore prima di un arresto cardiaco improvviso, offrendo preziose informazioni per la valutazione in tempo reale delle condizioni cardiache del paziente.

I risultati dello studio suggeriscono che valori più alti di IALS (segmenti di accelerazione/decelerazione) possono essere associati a condizioni cardiache compromesse, sottolineando il potenziale del modello ML nell'identificare i pazienti a rischio di arresto cardiaco improvviso.

Uno dei punti di forza significativi di questo studio è l'alta accessibilità e trasferibilità del modello a diversi contesti sanitari. Il monitoraggio ECG continuo, una pratica standard negli ambienti ICU, rende l'applicazione di questo modello predittivo semplice nella pratica clinica.

Sebbene lo studio fornisca informazioni cruciali in tempo reale, i ricercatori riconoscono la necessità di ulteriori indagini per stabilire la causalità tra le misure HRV e l'arresto cardiaco.