Antonella Agodi
Mortalità in UTI e modelli machine learning
Le Infezioni Correlate all’Assistenza (ICA) costituiscono una delle maggiori sfide per la sicurezza del paziente in tutto il mondo e spesso il problema è ulteriormente complesso a causa dell’emergenza e della diffusione dell’antimicrobico-resistenza (AMR) che è stata inclusa dall’Organizzazione Mondiale della Sanità (OMS) tra le
dieci minacce per la Sanità pubblica che influenzano l’assistenza sanitaria, la prevenzione e l’efficace trattamento delle infezioni. Le recenti stime europee confermano che, tra tutte le infezioni sorvegliate dall’European Centre for Disease Prevention and Control (ECDC), le ICA rappresentano quelle con il più elevato impatto/burden nella popolazione europea. La sorveglianza delle ICA è considerata un’attività essenziale per migliorare la qualità dei servizi sanitari, in quanto fornisce i dati e le informazioni per supportare la stesura di linee guida e gli strumenti utili a gestire efficacemente il rischio di ICA e l’AMR e a monitorare il livello di realizzazione dei programmi di controllo. Le ICA costituiscono l’esito avverso più frequente che si verifica durante il ricovero specialmente nelle Unità di Terapia Intensiva (UTI); Infatti, i pazienti ricoverati in UTI generalmente presentano una prognosi clinica peggiore, una più elevata durata della degenza, una maggiore frequenza di sepsi e una più elevata mortalità, spesso a causa di diversi fattori quali l’esposizione a procedure invasive, la gravità delle condizioni del paziente, il tipo di infezione, la terapia e le caratteristiche dei microrganismi responsabili dell’infezione.
La rete SPIN-UTI – Sorveglianza Prospettica delle Infezioni Nosocomiali nelle Unità di Terapia Intensiva – del GISIO-SItI, è stata istituita nel 2005 contribuendo ad alimentare la rete di sorveglianza europea HAI-Net ICU dell’ECDC con i primi dati italiani sulle ICA nelle UTI.
Le UTI del network SPIN-UTI fin dalla prima edizione del progetto, utilizzano protocolli e definizioni standardizzate e validate che forniscono quindi indicatori di riferimento per confronti intra- e inter-ospedalieri nazionali e internazionali. In particolare, il progetto SPIN-UTI utilizza un protocollo basato su quello patient-based dell’ECDC per la misura dei tassi di ICA, stratificati per rischio, della frequenza dei profili di resistenza agli antibiotici dei microrganismi associati, dei consumi di antibiotici e degli indicatori di struttura e di processo per la prevenzione e controllo delle ICA e dell’AMR, nonché per l’identificazione dei fattori associati ad un maggior rischio di ICA per poter indirizzare le strategie di controllo e prevenzione.
La complessità del carico di ICA suggerisce la necessità di nuovi approcci di analisi finalizzati all’identificazione precoce dei pazienti a più elevato rischio di eventi avversi in terapia intensiva, ai fini del miglioramento della loro sopravvivenza e per una efficace gestione. Sebbene diversi approcci statistici tradizionali sono ampiamente utilizzati nella pratica clinica, i modelli machine learning hanno mostrato risultati più accurati nell’identificazione precoce dei pazienti che hanno una maggiore probabilità di decesso durante la degenza in terapia intensiva.
La ricerca qui presentata, i cui risultati sono stati pubblicati nel 2021 sulla rivista Journal of Clinical Medicine, è stata condotta per identificare e prevedere quali sono i pazienti a più elevato rischio di morte considerando le loro caratteristiche cliniche e patologiche al momento del ricovero in terapia intensiva.
In particolare, l’obiettivo principale è stato quello di valutare la capacità del Simplified Acute Physiology Score (SAPS) II – il più comune punteggio utile a monitorare le condizioni cliniche dei pazienti e la gravità della malattia durante la loro permanenza in terapia intensiva – di prevedere il rischio di morte dopo 7 giorni dal ricovero.
L’obiettivo secondario è stato quello di sviluppare e valutare un algoritmo di machine learning che combina il punteggio SAPS II con le caratteristiche dei pazienti per migliorare ulteriormente le prestazioni di previsione. La ricerca è stata condotta utilizzando i dati su quasi 20.000 pazienti, 4300 infezioni e 5300 microrganismi, raccolti durante le prime sette edizioni, dal 2006 al 2019, dalla rete SPIN-UTI. I risultati hanno dimostrato che il punteggio SAPS II ha una precisione del 69,3% nel predire il decesso del paziente in terapia intensiva invece, utilizzando l’algoritmo di machine learning è stata ottenuta una precisione dell’83,5%. Nel complesso tali risultati suggeriscono che il modello basato sull’algoritmo è uno strumento utile per predire quali pazienti sono a più elevato rischio di morte entro sette giorni dal loro ricovero in terapia intensiva. Tuttavia, dovrebbero essere condotti ulteriori studi per sviluppare e convalidare i modelli di previsione del rischio che potrebbero aiutare a prevedere precocemente gli esiti negativi e migliorare a livello globale l’assistenza fornita ai pazienti.