Uno strumento di intelligenza artificiale in ambito ospedaliero prevede l’ipoglicemia nei pazienti fino a 24 ore in anticipo.

I ricercatori della Cedars-Sinai Health Sciences University hanno sviluppato un modello basato sull’intelligenza artificiale in grado di identificare i pazienti ospedalizzati a rischio di ipoglicemia fino a 24 ore prima che la condizione si manifesti. Il modello LSTM (Long Short-Term Memory), descritto sulla rivista npj Digital Medicine , potrebbe aiutare i medici a intervenire precocemente e a prevenire complicazioni, tra cui, nei casi più gravi, convulsioni, coma e aritmie cardiache croniche.

Il modello affronta una sfida di lunga data nell’assistenza ospedaliera. La bassa glicemia, detta anche ipoglicemia, è una complicanza comune e potenzialmente letale tra i pazienti ospedalizzati, compresi quelli in trattamento per il diabete, quelli a digiuno prima di interventi chirurgici o quelli in terapia intensiva. Tuttavia, non esistono strumenti ampiamente utilizzati per prevedere quali pazienti ospedalizzati potrebbero sviluppare ipoglicemia.

“Oggi, la maggior parte delle cure ospedaliere per l’ipoglicemia è reattiva e interveniamo solo dopo che la glicemia del paziente si abbassa”, ha affermato Roma Gianchandani, MD, autrice senior dello studio, vicepresidente per la qualità e l’innovazione presso il Dipartimento di Medicina e direttrice del programma per il diabete.

Come il modello monitora il rischio

Il modello di intelligenza artificiale sviluppato dai ricercatori del Cedars-Sinai analizza schemi relativi a farmaci, risultati di laboratorio, pasti e altri dati provenienti dalle cartelle cliniche elettroniche dei pazienti. Raccoglie le informazioni a intervalli di quattro ore per un periodo di cinque giorni e le utilizza per prevedere se un paziente svilupperà ipoglicemia entro le successive 24 ore.

I ricercatori hanno sviluppato e testato il modello utilizzando i dati relativi a oltre 143.000 ricoveri ospedalieri di pazienti adulti in tre ospedali del Cedars-Sinai Health System tra il 2014 e il 2025. Gli studiosi hanno inoltre testato lo strumento utilizzando dati ospedalieri prospettici per confermare i risultati iniziali.

“Il modello di intelligenza artificiale è progettato per allertare i team di assistenza ai pazienti prima che questi manifestino un calo della glicemia e per identificare i fattori chiave che determinano tale rischio”, ha affermato Amanda Momenzadeh, PharmD, autrice principale dello studio e ricercatrice presso il Meyer Research Lab del Cedars-Sinai. “Offrendo informazioni utili ai team di assistenza, mira anche a supportare i programmi ospedalieri di gestione del diabete.”

Potenziale impatto negli ospedali

I ricercatori stimano che questo strumento potrebbe contribuire a prevenire circa tre o quattro casi di ipoglicemia al giorno in un grande ospedale. Estrapolando i dati a tutti i posti letto ospedalieri del mondo, l’impatto potrebbe essere considerevole.

“L’aspetto entusiasmante è che non si tratta solo di un modello teorico, ma di un sistema progettato e validato per funzionare in tempo reale utilizzando i dati che gli ospedali già raccolgono”, ha affermato Jesse Meyer, PhD, autore senior dello studio e professore assistente presso il Dipartimento di Biomedicina Computazionale del Cedars-Sinai. “Identificando precocemente i pazienti a rischio, abbiamo l’opportunità di ridurre le complicanze prevenibili e migliorare la sicurezza dei pazienti.“

Se ampiamente adottato, il modello potrebbe portare a un’assistenza più proattiva e basata sui dati per i pazienti ospedalizzati affetti da diabete e altre patologie che influenzano la glicemia.

Abstract

L’ipoglicemia nei pazienti ricoverati è associata a un aumento della morbilità, della mortalità, della durata della degenza e dei costi sanitari, eppure la gestione attuale rimane reattiva a causa della mancanza di strumenti di previsione in tempo reale. Abbiamo sviluppato, validato e valutato prospetticamente un modello LSTM (Long Short-Term Memory) in tempo reale per prevedere l’ipoglicemia entro 24 ore utilizzando i dati delle cartelle cliniche elettroniche (EHR) di 143.124 ricoveri di pazienti adulti in tre ospedali tra il 2014 e il 2025. I pazienti idonei avevano un’età pari o superiore a 18 anni, erano stati ricoverati per almeno 24 ore e avevano ricevuto almeno un farmaco antiperglicemico. I predittori delle serie temporali includevano farmaci, valori di laboratorio, prescrizioni dietetiche e percentuale di pasti consumati in una finestra temporale di 5 giorni segmentata in intervalli di 4 ore, insieme a variabili demografiche statiche. L’esito primario era la glicemia (BG) < 70 mg/dL entro 24 ore successive a ciascun punto temporale di previsione. I parametri del modello sono stati ottimizzati utilizzando l’ottimizzazione bayesiana e le prestazioni sono state confrontate con i modelli di riferimento di regressione logistica, rete neurale densa e XGBoost utilizzando il punteggio F1, la precisione, il richiamo, l’area sotto la curva precisione-richiamo (AUPRC) e le metriche di calibrazione. Il modello LSTM con le migliori prestazioni ha raggiunto un punteggio F1 di 0,30 (95% CI 0,296–0,305), una precisione di 0,23, un richiamo di 0,44 e un AUPRC di 0,23 a una soglia decisionale di 0,7, superando tutti i modelli di riferimento. Le prestazioni sono rimaste stabili durante la validazione giornaliera prospettica utilizzando estratti EHR in tempo reale. SHapley Additive exPlanations (SHAP) ha identificato predittori temporali clinicamente significativi, tra cui la recente somministrazione di insulina e la precedente ipoglicemia. Le prestazioni del modello sono rimaste costanti nella maggior parte dei sottogruppi demografici. Questo modello LSTM implementabile in tempo reale fornisce una previsione clinicamente interpretabile dell’ipoglicemia nei pazienti ospedalizzati e può supportare flussi di lavoro proattivi di gestione glicemica nei pazienti ricoverati.

by