IA: con personalizzazione target di ossigenazione, ridotta mortalità nelle UTI
Target di ossigenazione personalizzati, individuati attraverso l’apprendimento automatico, potrebbero ridurre la mortalità tra gli adulti in condizioni critiche. È quanto mostra una ricerca pubblicata su JAMA da un team coordinato da Kevin Buell, dell’Università di Chicago (USA), che ha osservato un effetto di riduzione della mortalità complessiva assoluta pari al 6,4% tra le persone ricoverate in terapia intensiva. Sulla base di questa evidenza, i ricercatori suggeriscono di condurre studi prospettici che valutino l’uso di target di ossigenazione personalizzati.
L’apprendimento automatico in medicina
L’apprendimento automatico, noto come machine learning, è un approccio sub-simbolico dell’Intelligenza artificiale (IA) applicabile in medicina, che ha riscosso un elevato livello di attenzione, in poco tempo. I sistemi sub-simbolici, nell’ambito dell’IA, sfruttano paradigmi di elaborazione dei dati che cercano di simulare il funzionamento dei neuroni e delle loro connessioni, o che usano metodi numerici che propongono predizioni/classificazioni.
Spesso applicato per predire e classificare patologie/rischi, stimare l’evoluzione di fenomeni pandemici e diagnosticare condizioni attraverso immagini e sintomi clinici, l’apprendimento automatico ha portato ai maggiori successi in ambito di IA applicata alla medicina, migliorando le prestazioni. Tuttavia, l’approccio presenta numerose criticità, in gran parte legate ai dati usati nella fase di apprendimento.
L’apprendimento automatico nella personalizzazione dei target di ossigenazione
Nello studio americano, i ricercatori hanno elaborato un modello di apprendimento automatico per prevedere l’effetto sulla mortalità nei singoli pazienti di un obiettivo di saturazione periferica dell’ossigeno (SpO2) inferiore rispetto a uno più elevato. Per l’indagine, sono stati utilizzati i dati da 1.682 pazienti in condizioni critiche che hanno ricevuto ventilazione meccanica in terapia intensiva tra il 2018 e il 2021, nell’ambito dello studio Pragmatic Investigation of Optimal Oxygen Targets (PILOT). Il sistema è stato convalidato, quindi, esternamente nello studio Intensive Care Unit Randomized Trial Comparing Two Approaches to Oxygen Therapy (ICU-ROX), su 965 pazienti. L’outcome principale era la mortalità a 28 giorni.
Effetti della personalizzazione con apprendimento automatico sulla mortalità
Nella coorte di convalida ICU-ROX, l’effetto previsto del trattamento con un target SpO2 inferiore rispetto a uno più alto per i singoli pazienti variava da una riduzione assoluta del 27,2% a un aumento assoluto del 34,4% della mortalità a 28 giorni. In particolare, i pazienti che si prevedeva avrebbero tratto beneficio da un target SpO2 più basso avevano una maggiore prevalenza di lesioni cerebrali acute, mentre i pazienti che si prevedeva avrebbero tratto beneficio da un target SpO2 più alto avevano una maggiore prevalenza di sepsi e segni vitali anormalmente elevati.
Dai risultati è emerso che i pazienti avrebbero tratto beneficio da un target SpO2 più basso hanno avuto una mortalità inferiore quando randomizzati al gruppo con SpO2 più basso, mentre i pazienti che avrebbero tratto beneficio da un target SpO2 più alto hanno avuto una mortalità inferiore quando randomizzati al gruppo con SpO2 più alto (p =0,02). L’uso di un target SpO2 individuato con l’apprendimento automatico e personalizzato per ciascun paziente al posto di target SpO2 randomizzato avrebbe ridotto, così, la mortalità complessiva assoluta del 6,4% (IC 95%: 1,9% – 10,9%).
Riferimenti:
Buell K. G. et al., Individualized treatment effects of oxygen targets in mechanically ventilated critically ill adults. JAMA (2024)
Ministero della Salute. “I sistemi di intelligenza artificiale come strumento di supporto alla diagnostica”