Correlogramma delle caratteristiche con la più alta correlazione con PCT. L'etichettatura degli assi x e y è presentata nella diagonale. Vengono visualizzati i seguenti parametri:PCT=procalcitonina, CRP=proteina C-reattiva, TP=proteine totali, LBP=proteina legante i lipopolisaccaridi, Alb=albumina, Crea=creatinina, IL-6=interleuchina-6, NeuR =proporzione relativa di neutrofili, Plt=piastrine, Bili=bilirubina; Il coefficiente di correlazione di Spearman è presentato nella parte inferiore sinistra del correlogramma i valori di p sono indicati come segue:***<0,001, * <0.05, nella parte in alto a destra del correlogramma sono mostrati gli scatterplot delle caratteristiche presentate. Credito:Dorffner et al.
Un team di ricercatori dell'Università di Medicina di Vienna ha recentemente valutato l'efficacia delle strategie di apprendimento automatico per identificare la batteriemia in pazienti affetti da sindrome da risposta infiammatoria sistemica (SIRS). Il loro studio, pubblicato in Rapporti scientifici , raccolto risultati scoraggianti, poiché i metodi di apprendimento automatico non potrebbero raggiungere una migliore accuratezza rispetto alle attuali tecniche diagnostiche.
La batteriemia è una condizione medica frequente caratterizzata dalla presenza di batteri nel sangue, con un tasso di mortalità compreso tra il 13% e il 21%. La ricerca passata suggerisce che una serie di fattori sono associati al rischio di sviluppare questa condizione, compresa l'età avanzata, catetere vascolare urinario o permanente, chemioterapia, e terapie immunosoppressive.
La diagnosi precoce della batteriemia è di importanza cruciale per la sopravvivenza dei pazienti affetti, poiché richiedono un trattamento tempestivo con antibiotici appropriati. Attualmente, l'analisi dell'emocoltura (BC) è il metodo principale per diagnosticare la condizione. Però, questo metodo è tutt'altro che ideale, poiché è spesso difficile determinare chi dovrebbe sottoporsi all'analisi BC, i risultati richiedono circa tre giorni per essere elaborati, e può portare a circa l'8% di falsi positivi.
I ricercatori stanno quindi cercando di identificare biomarcatori o strumenti di previsione che potrebbero identificare meglio i pazienti ad alto rischio di batteriemia. Finora, la procalcitonina (PCT) è risultata essere il miglior biomarcatore per rilevare la condizione, con una sensibilità aggregata del 76% e una specificità aggregata del 69%.
Nel loro studio, i ricercatori hanno studiato se le strategie di apprendimento automatico potrebbero migliorare le prestazioni diagnostiche della PCT nell'identificazione della batteriemia, in particolare nei pazienti con due o più sintomi di SIRS che non hanno richiesto l'analisi del BC. Hanno raccolto dati da 466 pazienti che soddisfacevano i criteri e hanno utilizzato un pannello di 29 parametri di dati clinici, livelli di espressione di citochine e marcatori di laboratorio standard per addestrare il loro modello predittivo.
"L'obiettivo principale del nostro studio era quello di dimostrare se la presenza di batteri nel sangue di un paziente dopo aver manifestato reazioni infiammatorie può essere prevista precocemente e meglio di quanto attualmente possibile, utilizzando parametri di laboratorio e machine learning, "Giorgio Dorffner, uno dei ricercatori che ha condotto lo studio, ha detto a Tech Xplore. "Per quello scopo, abbiamo condotto un ampio studio con i pazienti della nostra clinica universitaria (AKH Vienna) per raccogliere i dati necessari".
Grafico di aggregazione dei dati mancante. lef=distribuzione dei dati mancanti, mostrato in percentuale, destra=analisi del modello mancante (grafico della mancanza di aggregazione, pacchetto VIM), le percentuali dei motivi mancanti sono visualizzate sul lato destro, L'81% della popolazione totale dello studio non aveva valori mancanti. Credito:Dorffner et al.
Doffner e i suoi colleghi hanno utilizzato alcuni modelli predittivi popolari nel campo dell'apprendimento automatico, valutandone la rispettiva efficacia. Si sono particolarmente concentrati su due modelli, uno che utilizza reti neurali e l'altro chiamato foresta casuale.
"Uno dei modelli che abbiamo usato si chiama 'rete neurale, ' e trova buone combinazioni di valori di laboratorio tali da fare anche previsioni non lineari (cioè non proporzionali), "Spiegò Dorffner. "Un altro, in realtà il migliore, si chiama 'foresta casuale, ' e consiste in un gran numero di cosiddetti alberi decisionali, dove ogni albero cerca di prendere una serie di decisioni graduali, ciascuno basato su un singolo valore di laboratorio, su quale sia la migliore previsione. Questi alberi poi lavorano tutti insieme come un comitato (quindi, il nome 'foresta')."
Nel loro studio, la strategia forestale casuale ha ottenuto i migliori risultati nella previsione della batteriemia. Però, ha raggiunto un'accuratezza diagnostica pari a quella del biomarcatore PCT, suggerendo che le popolari tecniche di apprendimento automatico non sono in grado di prevedere la condizione meglio dei metodi attualmente impiegati.
"La nostra scoperta più significativa è stata che un insieme di diversi valori di laboratorio non potrebbe portare a una previsione migliore dell'unico valore che tutti gli altri stanno usando, ovvero il livello di procalcitonina nel sangue, " Ha spiegato Dorffner. "Quindi l'apprendimento automatico non ha davvero aiutato a far avanzare la routine clinica in questo caso. Era comunque uno sforzo utile, poiché i nostri risultati dicono ad altri ricercatori che il problema non è apparentemente prevedibile, risparmiando loro ulteriori lavori inutili in questa direzione".
Mentre i risultati raccolti da Dorffner e dai suoi colleghi sono stati alquanto deludenti, offrono preziose informazioni per la ricerca futura, delineando le difficoltà dell'utilizzo dell'apprendimento automatico per identificare la batteriemia nei pazienti con SIRS.
"Ora ci stiamo concentrando su altre applicazioni cliniche in cui l'apprendimento automatico è probabilmente più promettente per far avanzare previsioni o diagnosi, "Dorffner ha detto. "Per esempio, insieme ai cardiologi stiamo sviluppando un sistema di apprendimento basato su immagini RM per rilevare la malattia rara ma importante dell'amiloidosi cardiaca".
© 2018 Medical Xpress
