Risk Stratification for ICU Delirium using Pervasive Ambient Sensing Information

Sintesi Tecnica: Stratificazione del Rischio per la Delirium in Terapia Intensiva tramite Informazioni da Sensori Ambientali Onnipresenti

Problematica
La delirium è una complicazione prevalente e grave nelle Unità di Terapia Intensiva (ICU), legata a un aumento della morbilità, a degenze ospedaliere prolungate e a costi sanitari significativi (stimati tra 4 e 16 miliardi di dollari annui). L'attuale diagnosi si basa sul Confusion Assessment Method ICU (CAM-ICU), che viene somministrato dagli infermieri, portando a misurazioni sporadiche (fino al 38% delle ammissioni) e a un'identificazione retrospettiva solo dopo la manifestazione dei sintomi. Sebbene fattori ambientali come la luce e il suono possano contribuire alla disruzione del ritmo circadiano, nessun studio precedente ha sviluppato un modello di valutazione del rischio specificamente utilizzando queste variabili ambientali (pressione sonora e intensità luminosa) per la predizione prospettica.

Metodologia
Lo studio ha utilizzato i dati di due studi prospettici, a centro singolo (PAIN e ADAPT), condotti presso l'University of Florida Shands Hospital tra maggio 2019 e settembre 2024.

• Coorte: Il dataset finale ICU-ENV ha incluso 309 pazienti (247 nello sviluppo, 62 nel test) di età superiore ai 18 anni, ammessi in terapia intensiva e con una permanenza prevista di almeno 24 ore.
• Raccolta Dati:
  • Sensori Ambientali: L'intensità luminosa è stata raccolta tramite ActiGraph GTX3+ (studio PAIN) e Thunderboard Sense 2 (studio ADAPT). I livelli di pressione sonora sono stati raccolti tramite iPod Touch con AudioTools (PAIN) e Thunderboard Sense 2 (ADAPT).
  • Ground Truth: Lo stato di delirium è stato derivato quotidianamente dalle cartelle cliniche elettroniche utilizzando un algoritmo composito basato sulla Richmond Agitation Sedation Scale (RASS), sulla Glasgow Coma Scale (GCS) e sui punteggi CAM-ICU.
• Pre-elaborazione:
  • Dati sulla Luce: Calcolati mediamente per "giorno" (07:00–18:59) e "notte" (19:00–06:59).
  • Dati sul Suono: Convertiti in sette descrittori statistici: Massimo ($L_{max}$), Minimo ($L_{min}$) e percentili ($L_{99}, L_{90}, L_{50}, L_{10}, L_{01}$).
  • Finestratura (Windowing): I dati sono stati sottoposti a zero-padding per una finestra di osservazione di 7 giorni. Sono stati definiti dieci orizzonti di predizione (1–7 giorni, 14, 21 e 28 giorni post-osservazione).
• Architettura del Modello: Sono stati valutati quattro modelli di reti neurali sequenziali: Long Short-Term Memory (LSTM), Gated Recurrent Units (GRU), Convolutional Neural Network (CNN) e Transformer. Il modello CNN ha dimostrato le prestazioni superiori.
• Interpretabilità: È stata impiegata l'analisi Shapley Additive Explanations (SHAP) per determinare l'importanza delle caratteristiche e la direzione dell'influenza.

Risultati Chiave

• Prestazioni del Modello: La rete neurale convoluzionale (CNN) ha ottenuto la migliore capacità discriminativa in tutti i dataset.
  • Modello Solo Suono: Ha raggiunto un'AUC di 0,80, con il picco di performance nella finestra di predizione a 28 giorni.
  • Modello Solo Luce: Ha mostrato una performance moderata, con un picco a una finestra di predizione di 5 giorni.
  • Modello Combinato (Suono + Luce): Ha ottenuto i punteggi di stratificazione del rischio più elevati in una finestra di predizione di 7 giorni. Sebbene il modello combinato abbia leggermente ridotto l'accuratezza complessiva della classificazione rispetto al modello basato solo sul suono, ha migliorato significativamente la rilevazione precoce del rischio.
• Stratificazione del Rischio: Il modello combinato ha assegnato il rischio relativo (RR) più elevato immediatamente dopo il periodo di rilevamento (Giorno 1), con un RR 1,8 volte superiore al modello solo suono e 2,6 volte superiore al modello solo luce.
• Importanza delle Caratteristiche (Analisi SHAP):
  • Suono: Le caratteristiche sonore sono state i predittori dominanti. Nello specifico, la $L_{90}$ diurna (suono in primo piano sostenuto) e la $L_{max}$ notturna sono state predittori positivi significativi. Al contrario, la $L_{min}$ diurna (suono di fondo) è stata un predittore negativo.
  • Luce: L'intensità luminosa diurna è stata più importante di quella notturna.
  • Interazione: Nel modello combinato, le caratteristiche del suono sono rimaste più informative rispetto a quelle della luce.

Significatività e Rivendicazioni
Gli autori affermano che questo è il primo studio a investigare la fattibilità della predizione dell'incidenza della delirium in terapia intensiva e della stratificazione del rischio utilizzando esclusivamente fattori ambientali onnipresenti (luce e suono).

• Utilità Clinica: Lo studio dimostra che il rilevamento ambientale passivo, in particolare il suono, fornisce un segnale clinicamente significativo e interpretabile per la stima del rischio di delirium.
• Intervento Precoce: L'integrazione dei dati di luce con quelli di suono offre un percorso pratico per arricchire le strategie multimodali in terapia intensiva, assegnando punteggi di rischio più elevati in tempi più brevi (immediatamente dopo il rilevamento), facilitando potenzialmente interventi precoci.
• Limitazioni: Gli autori riconoscono che la dimensione modesta del campione (309 pazienti) limita la robustezza dei modelli e impedisce l'addestramento con un alto numero di parametri per evitare l'overfitting. Notano inoltre potenziali effetti di lotto (batch effects) tra i sensori, in particolare riguardo alle distribuzioni dell'intensità luminosa, che potrebbero aver contribuito alla minore performance dei modelli basati solo sulla luce.

Conclusione
Questo lavoro stabilisce le fondamenta per l'uso del rilevamento onnipresente in terapia intensiva per monitorare il rischio di delirium. Sebbene i livelli di pressione sonora si siano rivelati il driver principale dell'accuratezza predittiva, l'integrazione dei dati sulla luce migliora la risoluzione temporale della valutazione del rischio, offrendo un approccio di monitoraggio non invasivo e continuo per completare le attuali valutazioni cliniche.