AFFILIAZIONE
humanitas research hospital
AUTORE PRINCIPALE
Ing. Gazzara Michele
VALUTA IL CHALLENGE[ratingwidget]
GRUPPO DI LAVORO
Ing. Gazzara Michele – humanitas research hospital, rozzano (mi)
Ing. Nappi Mariangela – humanitas research hospital, rozzano (mi)
Ing Oliva Paolo – humanitas research hospital, rozzano (mi)
AREA TEMATICA
Applicazioni di intelligenza artificiale in sanità
ABSTRACT
Introduzione
Nelle degenze di Humanitas sono stati introdotti dei monitor multiparametrici smart di ultima generazione in grado di acquisire in maniera automatica i parametri vitali e calcolare, a partire da questi ultimi, l’Early Warning Score (EWS), un parametro che permette di valutare il potenziale deterioramento delle condizioni cliniche dei pazienti. I monitor sono connessi con la cartella clinica elettronica (CCE) e ciò ha reso disponibile una significativa mole di dati relativi allo stato di salute dei pazienti che sono stati impiegati per l’implementazione di un algoritmo predittivo.
Stato dell’Arte
In letteratura è stato già discusso il valore predittivo dell’EWS e del peso di ogni parametro vitale che concorre al calcolo. A partire da questo, ci si è posti l’obiettivo di fare uno step aggiuntivo per capire se i valori precedenti di EWS e degli altri parametri vitali (al tempo t) permettono di predire il valore successivo di EWS (al tempo t+Δt). Conoscere in anticipo l’evoluzione dell’EWS porta significativi benefici al personale medico, che può predisporre nuovi piani terapeutici in maniere tempestiva, e ai pazienti, che possono evitare complicazioni e ridurre il tempo di degenza.
Materiali e Metodi
Sono stati estratti dalla CCE i dati di 3327 pazienti ricoverati in due degenze (1 chirurgica, 1 oncologica) da Giugno 2021 a Giugno 2022. Per ogni paziente sono stati estratti: HR, FR, PAS, SAT, SATO2 (saturazione dell’ossigeno in caso di ossigenoterapia), Temp, Stato di coscienza (variabile booleana), EWS. Dopo il preprocessing, (standardizzazione, encoding e split in set di training, test e validazione) i dati sono stati impiegati per il training di un algoritmo basato sul modello del percettrone multistrato. Sono stati testati i risultati su diverse architetture per identificare quella con errore quadratico medio (RMSE) più basso che consta di tre livelli (50,30,10). Nel training del modello sono stati impiegati la ReLU come funzione di attivazione e l’ottimizzatore ADAM (Adaptive Moment Estimation), basato sulla discesa stocastica del gradiente.
Risultati
Per valutare la qualità del modello, ovvero quanto i risultati ottenuti siano in grado di predire l’indice EWS all’istante t+Δt, è stata utilizzata la matrice di confusione e le sue relative metriche: precisione, sensitività, accuratezza e F1-score. Di seguito i valori ottenuti, che validano le performance dell’algoritmo: Precisione=1; Sensitività=0,9892; Accuratezza=0,9976; F1-score= 0,9946.
