I ricercatori dell'ETH di Zurigo stanno applicando l'apprendimento automatico nelle unità di terapia intensiva per distinguere tra falsi allarmi e quelli che segnalano problemi medici reali.

bip, bip, bip. Nelle unità di terapia intensiva (UTI), qualche dispositivo di monitoraggio o altro suona sempre l'allarme. Che si tratti di un paziente il cui livello di ossigeno nel sangue è troppo basso, qualcuno nel letto accanto la cui pressione intracranica sta aumentando, o qualcun altro la cui pressione sanguigna è scesa in picchiata. O forse solo perché un paziente ha cambiato posizione a letto.

I falsi allarmi come questo sono fin troppo comuni. Sfruttano il tempo prezioso del personale medico e aumentano il rischio che i veri allarmi vadano persi nella marea di falsi. Ciò significa che è nell'interesse di infermieri e medici ridurre notevolmente il numero di falsi allarmi. Lavorando con gli scienziati presso l'Unità di cure neurocritiche dell'ospedale universitario di Zurigo, i ricercatori dell'ETH di Zurigo hanno ora sviluppato un metodo di apprendimento automatico che mira a raggiungere proprio questo.

Combinazione di dati

Come parte di uno studio di fattibilità all'interno di un progetto di data science chiamato ICU Cockpit, i ricercatori si sono avvalsi di registrazioni complete dei dati della terapia intensiva. Con il consenso dei pazienti, i loro segni vitali sono sistematicamente memorizzati ad alta risoluzione temporale insieme a eventuali allarmi che potrebbero essere suonati.

Come generalmente accade nelle unità di terapia intensiva, i vari dispositivi per il monitoraggio circolatorio, la ventilazione artificiale e il monitoraggio del cervello funzionano indipendentemente l'uno dall'altro. Di conseguenza, i dispositivi emettono ciascuno il proprio allarme ogni volta che le loro letture vanno al di sopra o al di sotto di un determinato valore di soglia. I ricercatori hanno combinato e sincronizzato i dati di questi vari dispositivi e quindi hanno applicato nuove tecniche di apprendimento automatico per identificare quali allarmi erano irrilevanti dal punto di vista medico.

Il computer fa il lavoro dei medici

"Generalmente, prima che un computer possa iniziare ad apprendere, gli esseri umani devono prima aver classificato un certo numero di allarmi come rilevanti o non rilevanti, " spiega Walter Karlen, Professore di Mobile Health Systems all'ETH di Zurigo. "I sistemi informatici possono quindi utilizzare queste informazioni per comprendere il principio alla base della classificazione e, infine, classificare gli allarmi stessi".

Però, avere qualcuno che classifichi gli allarmi in terapia intensiva è un compito senza fine, non solo perché deve essere fatto individualmente per ogni paziente. Inoltre, il personale medico che cura i pazienti in terapia intensiva non avrebbe il tempo di insegnare anche un computer.

Funziona anche con dati frammentari

Ciò significa che il sistema ideale per l'implementazione in un'unità di terapia intensiva sarebbe uno che potrebbe apprendere da solo anche se infermieri o medici hanno classificato solo un piccolo numero di allarmi. È qui che entra in gioco il metodo di apprendimento automatico sviluppato da Karlen e dai suoi colleghi.

Gli scienziati hanno testato il loro metodo utilizzando un piccolo set di dati dell'unità di cure neurocritiche di Zurigo:registrazioni dei segni vitali e degli allarmi per 14 pazienti per un periodo di diversi giorni. In media, i dispositivi medici hanno suonato l'allarme quasi 700 volte per paziente al giorno; in altre parole, ogni due minuti. Sebbene solo 1, 800 (13 percento) del totale del set di dati di 14, 000 allarmi sono stati classificati manualmente, l'algoritmo è stato comunque in grado di classificare gli allarmi rimanenti come reali o falsi. Se gli scienziati consentissero al sistema di avere un tasso di errore del 5%, ha ridotto il numero di falsi allarmi del 77 per cento.

Gli scienziati sono stati anche in grado di dimostrare che il metodo funziona anche con un livello significativamente inferiore di aiuto manuale:sono bastate 25 o 50 classificazioni manuali perché il sistema segnalasse un gran numero di allarmi come falsi. Gli scienziati hanno anche dimostrato che, in particolare in situazioni in cui c'è stato pochissimo aiuto manuale, il nuovo metodo è molto più efficace dei metodi di apprendimento automatico esistenti.

Questo progetto ha analizzato i dati clinici in modo retrospettivo. I ricercatori stanno ora valutando se studiare l'efficacia del loro algoritmo utilizzando uno studio clinico prospettico.