An interpretable machine learning model for early sepsis prediction in patients with heart failure and type 2 diabetes: a retrospective cohort study

Nelle unità di terapia intensiva, dove la posta in gioco è più alta e il tempo è la risorsa più preziosa, i medici ponderano costantemente il delicato equilibrio tra le condizioni croniche di un paziente e le nuove minacce acute. Due delle condizioni croniche più comuni e impegnative sono lo scompenso cardiaco, in cui il cuore fatica a pompare il sangue in modo efficace, e il diabete di tipo 2, una condizione in cui il corpo non riesce a gestire correttamente i livelli di zucchero. Quando queste due condizioni coesistono, creano una tempesta perfetta di vulnerabilità. La capacità del corpo di combattere l'infezione è già compromessa dallo sforzo sul cuore e dal caos metabolico del diabete, rendendo questi pazienti molto più propensi a sviluppare la sepsi. La sepsi è una reazione potenzialmente fatale a un'infezione che può causare rapidamente il collasso degli organi e portare alla morte. Poiché la finestra temporale per trattare la sepsi è stretta, identificarla precocemente è fondamentale, eppure gli strumenti attuali spesso non riescono a individuare i segnali di avvertimento in questo specifico gruppo di pazienti prima che sia troppo tardi.

Un team di ricercatori si è posto l'obiettivo di costruire una nuova sorta di rete di sicurezza per questi pazienti, una che potesse ascoltare i segnali sottili nascosti all'interno dei dati medici del paziente. Si sono rivolti al machine learning, un ramo dell'intelligenza artificiale in cui i computer imparano a riconoscere gli schemi studiando vasti quantitari di esempi passati, piuttosto che seguire un insieme rigido di regole scritte dagli esseri umani. L'obiettivo era creare un sistema che potesse analizzare i dati di routine raccolti quando un paziente con scompenso cardiaco e diabete arriva in terapia intensiva e prevedere, con una ragionevole accuratezza, se stia per sviluppare la sepsi. A differenza di molti modelli informatici complessi che agiscono come "scatole nere", fornendo una risposta senza spiegare il perché, questo team voleva un sistema che potesse anche mostrare il proprio lavoro, indicando esattamente quali fattori avessero fatto pendere l'ago della bilancia verso il pericolo.

I ricercatori hanno iniziato raccogliendo dati da due enormi database pubblici contenenti le cartelle cliniche di migliaia di pazienti in terapia intensiva negli Stati Uniti. Si sono concentrati specificamente sugli adulti che erano stati ricoverati con sia scompenso cardiaco che diabete di tipo 2. Da un pool di oltre 9.000 potenziali candidati, hanno ristretto il campo a 7.806 pazienti di un database per costruire il loro modello, e poi lo hanno testato su un gruppo separato di 633 pazienti provenienti da un altro set di ospedali per vedere se avrebbe retto nel mondo reale. Hanno esaminato una vasta gamma di informazioni registrate durante le prime 24 ore del soggiorno del paziente, inclusi i segni vitali come la frequenza cardiaca e la temperatura, i risultati degli esami del sangue e se il paziente fosse collegato a un ventilatore meccanico.

Per trovare gli indizi più importanti, il team non si è limitato a indovinare quali fattori contassero. Hanno utilizzato un processo rigoroso per setacciare i dati, confrontando diversi metodi statistici per vedere quali variabili indicassero costantemente la sepsi. Questo processo ha ridotto una lunga lista di possibilità a soli sette indicatori chiave. Questi includevano se il paziente avesse un'insufficienza renale acuta, se fosse sottoposto a ventilazione meccanica, il numero di globuli bianchi, la temperatura corporea, il livello di coscienza misurato con una scala standard, una misura dell'equilibrio acido nel sangue e il livello di lattato, una sostanza che si accumula quando i tessuti non ricevono abbastanza ossigeno.

Il team ha quindi addestrato sette diversi algoritmi per apprendere da questi sette indicatori. Hanno testato ciascuno di essi per vedere quale potesse distinguere meglio tra i pazienti che avrebbero sviluppato la sepsi e quelli che non l'avrebbero sviluppata. Un algoritmo, noto come XGBoost, è emerso come il più affidabile. Nella fase iniziale di test, ha identificato correttamente il rischio in circa il 71 percento dei casi. Quando i ricercatori hanno applicato questo stesso modello al gruppo separato di pazienti degli altri ospedali, ha mantenuto una prestazione rispettabile, identificando correttamente il rischio in circa il 66 percento dei casi. Sebbene questo non sia perfetto, rappresenta un passo avanti significativo per un gruppo di pazienti che precedentemente non disponeva di uno strumento specializzato per aiutare i medici a individuare il pericolo precocemente.

Ciò che rende questo lavoro particolarmente prezioso è che i ricercatori non si sono fermati alla previsione. Hanno utilizzato una tecnica chiamata SHAP per aprire la "scatola nera" e vedere esattamente come il modello prendesse le sue decisioni. Hanno scoperto che il computer non stava indovinando casualmente; stava dando priorità alle stesse cose che un medico esperto osserverebbe, ma con una precisione matematica. Il modello ha determinato che l'insufficienza renale acuta, un livello inferiore di coscienza e un alto numero di globuli bianchi erano i segnali più forti di una imminente sepsi. Ha anche appreso che la temperatura corporea contava in un modo specifico: sia la febbre alta che una temperatura pericolosamente bassa erano segnali di avvertimento, mentre una temperatura normale era rassicurante. Allo stesso modo, ha riconosciuto che alti livelli di lattato e la necessità di un ventilatore aumentavano significativamente il rischio.

I ricercatori sono stati attenti a sottolineare che, sebbene il loro modello funzioni bene, non è ancora pronto per sostituire il giudizio di un medico o per prendere decisioni terapeutiche in autonomia. I test esterni hanno dimostrato che, sebbene il modello sia utile, non è infallibile e deve essere testato ulteriormente in diversi ospedali e con diverse popolazioni di pazienti prima di poter essere utilizzato nella pratica clinica quotidiana. Lo studio funge da prova di concetto, dimostrando che è possibile costruire uno strumento interpretabile che utilizzi dati medici di routine ed ordinari per segnalare i pazienti ad alto rischio con scompenso cardiaco e diabete. Evidenziando la specifica combinazione di insufficienza renale, difficoltà respiratorie e cambiamenti della chimica del sangue che segnalano problemi, questo lavoro offre un nuovo modo per aiutare i clinici a stare un passo avanti rispetto a una condizione che si muove troppo velocemente per essere ignorata.