Prediction at Hospital Admission of In-Hospital Mortality and High-Cost Hospitalization Using Machine Learning in Patients With Severe Community-Acquired Pneumonia: An Exploratory Dual-Risk Stratification Study
Questo studio ha sviluppato e validato temporalmente modelli di apprendimento automatico distinti utilizzando i dati di ammissione per predire sia la mortalità intraospedaliera che l'ospedalizzazione ad alto costo nei pazienti con polmonite acquisita in comunità grave, dimostrando una prestazione superiore rispetto ai punteggi tradizionali e rivelando distinti modelli clinici e di utilizzo delle risorse attraverso gli strati di rischio combinati.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Ogni anno, milioni di adulti vengono ricoverati con polmonite grave, un'infezione potenzialmente letale che colpisce i polmoni. Per i medici, la sfida immediata è duplice: devono decidere quali pazienti siano in maggiore pericolo di morte e quali pazienti richiederanno le cure più costose e intensive in termini di risorse. Tradizionalmente, gli ospedali si sono affidati a semplici liste di controllo per valutare la gravità delle condizioni di un paziente. Questi strumenti analizzano segni di base come l'età, lo stato di confusione, la frequenza respiratoria e la pressione sanguigna per stimare il rischio di morte. Tuttavia, queste stesse liste di controllo non sono progettate per prevedere i costi finanziari e spesso trascurano i complessi segnali biologici che indicano che un paziente avrà bisogno di un lungo e costoso soggiorno in ospedale. Poiché i sistemi sanitari affrontano una crescente pressione per gestire le risorse in modo oculato, esiste un bisogno critico di comprendere non solo chi potrebbe morire, ma anche chi consumerà il maggior numero di forniture mediche e tempo del personale, basandosi sulle informazioni disponibili nel momento in cui il paziente varca la soglia del pronto soccorso.
Un team di ricercatori del Primo Ospedale di Nanjing e dell'Università di Scienze e Medicina della Cina si è posto l'obiettivo di risolvere questo problema costruendo un nuovo tipo di sistema di previsione. Hanno raccolto dati da 1.543 adulti ricoverati con polmonite acquisita in comunità di grado severo tra il 2020 e il 2025. Invece di affidarsi a una singola lista di controllo, hanno utilizzato il machine learning, un tipo di programma informatico che apprende schemi da enormi quantità di dati, per creare due modelli di previsione separati. Il primo modello è stato addestrato per prevedere la probabilità che un paziente muoia durante il suo soggiorno ospedaliero. Il secondo modello è stato addestrato per prevedere se la fattura totale dell'ospedale sarebbe stata eccezionalmente alta, definita in questo studio come superiore a 38.969 yuan cinesi. Fondamentalmente, entrambi i modelli sono stati costruiti utilizzando solo le informazioni che i medici hanno al momento dell'ammissione, come parametri vitali, risultati degli esami del sangue e la storia clinica del paziente, ignorando qualsiasi dato che diventa disponibile solo dopo l'inizio del trattamento.
I ricercatori hanno scoperto che i loro modelli di machine learning erano significativamente più bravi nel fare queste previsioni rispetto agli strumenti standard attualmente in uso. Per prevedere il decesso, il loro miglior modello ha raggiunto un AUC di 0,73, un miglioramento notevole rispetto al sistema di punteggio standard, che era corretto solo circa il 54 percento delle volte. Per prevedere gli alti costi, il loro modello ha inoltre superato un semplice baseline che considerava solo l'età e il numero di patologie esistenti. Lo studio ha rivelato che i fattori che guidano un alto rischio di morte non erano esattamente gli stessi che guidavano un alto costo. Sebbene entrambi i modelli analizzassero punti dati simili, come i livelli di ossigeno e la funzione cardiaca, il computer ha appreso che diverse combinazioni di questi segni indicavano esiti differenti.
Per dare un senso a questi risultati, i ricercatori hanno raggruppato i pazienti in quattro categorie basate sulla combinazione dei rischi previsti dai loro modelli. Hanno scoperto due gruppi particolarmente distinti che i metodi tradizionali spesso non colgono. Un gruppo era composto da pazienti che erano previsti avere un rischio molto alto di morte ma un basso rischio di generare alti costi. Questi pazienti erano tipicamente più anziani e mostravano segni severi di distress fisico, come frequenze respiratorie molto elevate e alti livelli di una proteina chiamata lattato, che indica che il corpo sta faticando a ottenere abbastanza ossigeno. Poiché la loro condizione era così critica, richiedevano spesso cure intensive e ventilazione meccanica, ma i loro soggiorni ospedalieri erano frequentemente interrotti dal decesso, risultando in costi totali inferiori.
Al contrario, un secondo gruppo era previsto avere un basso rischio di morte ma un rischio molto alto di generare alti costi. Questi pazienti erano generalmente più stabili fisicamente ma richiedevano una vasta gamma di risorse costose. I loro costi elevati derivavano dall'uso cumulativo di forniture mediche, assistenza infermieristica, test di laboratorio e farmaci nel corso di un periodo prolungato. Lo studio ha dimostrato che questi due gruppi avevano profili clinici molto diversi, suggerendo che un singolo punteggio di rischio non è sufficiente per guidare la gestione ospedaliera. Osservando entrambi i rischi simultaneamente, i medici potrebbero potenzialmente identificare i pazienti che necessitano di un intervento salvavita immediato rispetto a quelli che necessitano di una gestione attenta e ricca di risorse per prevenire complicazioni.
I ricercatori hanno sottolineato che, sebbene i loro modelli abbiano performato bene nei test, sono ancora in una fase esplorativa. Lo studio è stato condotto in un singolo ospedale e i costi specifici previsti sono legati ai prezzi locali e alle politiche sanitarie. Il team ha osservato che il loro lavoro non prova che cambiare il trattamento basandosi su queste previsioni migliorerà gli esiti, ma fornisce un nuovo modo per visualizzare le necessità del paziente. Suggeriscono che in futuro, tali valutazioni del rischio duplice potrebbero aiutare gli ospedali ad allocare le loro risorse limitate in modo più efficace, garantendo che i pazienti più gravi ricevano cure urgenti mentre quelli che probabilmente avranno soggiorni lunghi e complessi ricevano l'attenzione di cui hanno bisogno senza sovraccaricare il sistema. Lo studio conclude che l'utilizzo degli stessi dati di ammissione per prevedere sia la morte che il costo offre un quadro più completo delle sfide affrontate dai pazienti con polmonite grave rispetto ai metodi attuali.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.