PhysioFusion: A Multi-Modal Ensemble using Static Preoperative Variables and Time Series Intraoperative Data to Predict Adverse Events Following Cardiothoracic Surgery

Quando un paziente viene sottoposto a un intervento chirurgico maggiore al cuore o ai polmoni, le ore che seguono sono una finestra critica in cui il recupero del corpo può stabilizzarsi o prendere una piega pericolosa. Nell'unità di terapia intensiva, i team medici monitorano costantemente una valanga di informazioni: il ritmo costante di un cuore, la pressione del sangue che scorre attraverso le vene e l'equilibrio chimico del sangue stesso. Per decenni, i medici si sono affidati a istantanee statiche della salute di un paziente — come l'età, le condizioni esistenti o i risultati degli esami del sangue effettuati prima dell'operazione — per ipotizzare chi potrebbe avere difficoltà. Tuttavia, i cambiamenti momento per momento che avvengono mentre un paziente è sotto anestesia e durante l'intervento stesso offrono un tipo diverso di storia, una che si svela in tempo reale. La domanda centrale per i ricercatori è stata se combinare questi due tipi di informazioni — lo sfondo fisso della salute di un paziente e i segnali dinamici e mutevoli dalla sala operatoria — crei un quadro più chiaro di chi è a rischio, o se una singola fonte di informazione sia semplicemente sufficiente da sola.

Un team di ricercatori si è posto l'obiettivo di rispondere a questo quesito costruendo un nuovo tipo di sistema informatico progettato per sorvegliare i pazienti dopo un intervento cardio-toracico. Hanno chiamato la loro creazione PhysioFusion, uno strumento che agisce come un osservatore altamente attento, capace di leggere sia la storia medica permanente di un paziente sia i dati vivi e fluidi della sua chirurgia. Il sistema è stato addestrato su una vasta collezione di record della Society of Thoracic Surgeons, che includeva dettagli su migliaia di pazienti. I ricercatori hanno fornito al computer due flussi distinti di dati: un elenco di fatti statici su ogni paziente, come se avesse una storia di insufficienza cardiaca o quanti globuli bianchi avesse, e un flusso continuo di numeri dalla sala operatoria, che traccia elementi come la pressione sanguigna e la funzione cardiaca ogni secondo mentre la chirurgia procedeva. Per dare senso a questa complessità, il team non si è affidato a un singolo metodo. Invece, ha costruito un ensemble, un gruppo di diversi modelli matematici che lavorano insieme. Alcune parti del sistema sono state progettate per trovare schemi negli elenchi statici, mentre altre erano specializzate nel comprendere il ritmo e il flusso dei segnali basati sul tempo, proprio come un musicista potrebbe leggere uno spartito rispetto a come potrebbe improvvisare su un ritmo.

L'obiettivo era prevedere eventi avversi, ovvero complicazioni serie che possono verificarsi nell'unità di terapia intensiva dopo l'intervento. Quando i ricercatori hanno testato il loro sistema, hanno scoperto che poteva distinguere tra i pazienti che sarebbero rimasti stabili e quelli che avrebbero affrontato complicazioni con un alto grado di accuratezza. Il modello ha raggiunto un punteggio di 0,87 nella sua capacità di separare i due gruppi, un livello di prestazione che suggerisce che sia uno strumento di screening affidabile. È stato particolarmente bravo nell'identificare i pazienti che non avrebbero avuto un esito negativo, escludendo correttamente le complicazioni per quasi tutti loro. Questa è una caratteristica vitale per uno strumento di screening, poiché dà ai medici la fiducia che un paziente segnalato come a basso rischio sia realmente al sicuro, permettendo loro di concentrare le risorse più intense su quei pochi che ne hanno bisogno. Il sistema ha anche individuato fattori specifici che sono stati più influenti nelle sue previsioni, inclusi se un paziente avesse sofferto di insufficienza cardiaca prima dell'intervento, se fosse stato necessario un dispositivo per aiutare a pompare il sangue durante l'operazione, quanto a lungo fosse stata utilizzata la macchina cuore-polmone e il livello di globuli bianchi.

Tuttavia, la scoperta più sorprendente è arrivata quando i ricercatori hanno testato i due tipi di dati separatamente. Si aspettavano che combinare la storia statica con i segnali vivi della sala operatoria avrebbe creato una previsione potenziata, migliore di ciascuna delle due da sola. Inveve, hanno scoperto che i dati statici dalla storia medica del paziente, analizzati da soli, performavano altrettanto bene del sistema combinato, raggiungendo lo stesso punteggio di 0,87. I segnali dal vivo della sala operatoria, analizzati da soli, erano leggermente meno efficaci a 0,83. Questo risultato suggerisce che, per questo specifico gruppo di pazienti, i due tipi di informazioni agiscono come sostituti piuttosto che come partner. I dati dettagliati, momento per momento, della chirurgia non hanno aggiunto nuove informazioni che la storia statica non contenesse già. Invece, la combinazione dei due ha semplicemente spostato l'equilibrio tra l'individuare ogni possibile rischio ed evitare falsi allarmi, cambiando il compromesso tra sensibilità e precisione senza aumentare la quantità totale di segnale utile.

Ulteriori indagini sui dati in tempo reale hanno rivelato che nessun singolo canale di monitoraggio era l'unico eroe della storia. Il sistema non si basava su un solo numero, come la frequenza cardiaca o i livelli di ossigeno, per prendere le sue decisioni. Sebbene la pressione sanguigna media e la pressione nelle vene centrali fossero i pezzi di informazione meno sostituibili, il sistema ha dimostrato di poter funzionare senza che un singolo segnale specifico fosse assolutamente critico. Questa robustezza significa che lo strumento non è fragile; non si interrompe se un monitor fallisce. Lo studio conclude che, sebbene i sistemi avanzati possano integrare flussi di dati complessi, gli ospedali che hanno accesso solo a record standard dei pazienti e dati di registro possono comunque raggiungere lo stesso alto livello di accuratezza predittiva di quelli con monitoraggio completo in serie temporali. Il lavoro dimostra che, per prevedere le complicazioni post-chirurgiche in questo contesto, una comprensione profonda delle condizioni preesistenti di un paziente è spesso tanto potente quanto osservare il ticchettio dell'orologio durante la chirurgia stessa.