Meno falsi allarmi nell'unità di terapia intensiva

Piiiep, piiiep, piiiep. Qualche dispositivo di misurazione suona costantemente l'allarme nell'unità di terapia intensiva. Che sia perché il sangue di un paziente contiene troppo poco ossigeno, perché la pressione nel cranio del paziente accanto è aumentata o perché la pressione sanguigna di qualcuno è scesa. O semplicemente perché un paziente si è mosso nel letto.

Questi falsi allarmi sono comuni. Tengono il personale medico sulle spine e c'è il rischio che gli allarmi veri si perdano nella marea di falsi allarmi. I caregiver e i medici hanno quindi interesse a ridurre significativamente il numero di falsi allarmi. I ricercatori all'ETH di Zurigo, in collaborazione con gli scienziati dell'Unità di Terapia Intensiva Neurochirurgica dell'Ospedale Universitario di Zurigo, hanno ora creato un metodo di apprendimento automatico che persegue proprio questo obiettivo.

Combinazione di dati

Nell'ambito di uno studio di fattibilità, i ricercatori hanno utilizzato le registrazioni complete dei dati di questa unità di terapia intensiva. Per un progetto di scienza dei dati (pagina esternaCockpit di terapia intensiva), le misurazioni delle funzioni vitali vengono sistematicamente memorizzate in alta risoluzione temporale, così come gli allarmi, con il consenso del paziente.

Come è consuetudine in altre unità di terapia intensiva, i vari dispositivi per il monitoraggio della circolazione, la respirazione artificiale e la registrazione dell'elettroencefalogramma funzionano indipendentemente l'uno dall'altro. Inoltre, emettono un allarme indipendente l'uno dall'altro, ovvero quando il valore misurato scende o supera un valore soglia definito. I ricercatori hanno quindi combinato e sincronizzato i dati dei dispositivi di misurazione per identificare gli allarmi irrilevanti dal punto di vista medico utilizzando il machine learning.

Il computer toglie il compito di Sisifo ai medici

"Per far sì che il computer impari, di solito gli esseri umani devono giudicare in anticipo un certo numero di allarmi come rilevanti o irrilevanti", spiega Walter Karlen, professore di sistemi sanitari mobili all'ETH di Zurigo. "I sistemi informatici possono quindi utilizzare queste informazioni per comprendere il principio di classificazione e, in ultima analisi, valutare essi stessi gli allarmi".

Classificare gli allarmi in un'unità di terapia intensiva da parte di un essere umano è un compito di Sisifo, soprattutto perché deve essere fatto individualmente per ogni paziente. Inoltre, il personale di un'unità di terapia intensiva difficilmente ha il tempo di insegnare a un computer oltre a occuparsi dei pazienti.

Anche con informazioni frammentarie

Un sistema in grado di imparare anche se gli infermieri o i medici classificano solo pochi allarmi sarebbe quindi auspicabile per l'uso in un'unità di terapia intensiva. È proprio questo l'obiettivo del metodo di apprendimento automatico creato da Karlen e dai suoi colleghi.

Gli scienziati hanno testato il loro metodo utilizzando un piccolo set di dati provenienti dal reparto di terapia intensiva di Zurigo: la registrazione dei parametri vitali e degli allarmi di 14 pazienti per diversi giorni. In media, i dispositivi hanno suonato l'allarme quasi 700 volte per paziente al giorno, cioè in media ogni due minuti. Sebbene solo 1.800 (13%) dei 14.000 allarmi totali del set di dati siano stati classificati manualmente, l'algoritmo è stato in grado di classificare anche i restanti allarmi come veri o falsi. Se gli scienziati hanno concesso al sistema un tasso di errore del cinque per cento, il sistema ha eliminato il 77 per cento di tutti i falsi allarmi.

Come gli scienziati hanno potuto dimostrare, il metodo funziona anche con un'assistenza manuale di gran lunga inferiore: bastano 25 o 50 giudizi manuali da parte di esperti per eliminare gran parte dei falsi allarmi. I ricercatori hanno anche dimostrato che il nuovo metodo è superiore ad altri metodi di apprendimento automatico esistenti, soprattutto con un livello così basso di assistenza manuale.

In questo lavoro, i dati clinici sono stati analizzati retrospettivamente. I ricercatori stanno ora pensando di testare le prestazioni del loro algoritmo in uno studio clinico prospettico.