I modelli di IA raggiungono il 98,33% di accuratezza sulla mortalità in terapia intensiva

Un'équipe di terapia intensiva può dover identificare un paziente ad alto rischio mentre le sue condizioni stanno ancora cambiando. In uno studio condotto dall'Università cattolica australiana (ACU) e dall'Università Charles Darwin (CDU), un modello di machine learning extra trees ha previsto la mortalità in terapia intensiva con un'accuratezza del 98,33%; il gradient boosting ha raggiunto il 98,23%.

I medici utilizzano comunemente APACHE, la valutazione acuta della fisiologia e della salute cronica, e SAPS, il punteggio fisiologico acuto semplificato. Secondo lo studio, questi strumenti possono faticare a cogliere l'evoluzione delle condizioni, richiedono tempo per essere validati e necessitano di frequenti ricalibrazioni. I sistemi di machine learning hanno superato questi punteggi tradizionali, ma la loro scarsa spiegabilità ne ha rallentato l'adozione.

I ricercatori hanno utilizzato i risultati degli extra trees insieme a modelli di spiegazione per individuare i fattori alla base delle previsioni e confrontarli con le conoscenze mediche. Ipertensione, tumori, malattie endocrine, digestive e cardiovascolari sono emersi come fattori chiave. L'autrice principale Niusha Shafiabady, docente dell'ACU e direttrice del laboratorio Women in AI for Social Good dell'università, ha guidato il lavoro insieme a colleghi dell'Università Charles Darwin, dell'Università di tecnologia Amirkabir di Teheran e di altre università australiane.

Che cosa cambia nella pratica? Se integrassero sistemi clinici di supporto alle decisioni, le previsioni spiegate potrebbero aiutare i medici a concentrare l'attenzione urgente sui pazienti ad alto rischio, monitorarli continuamente e intervenire prima. Shafiabady ha dichiarato che gli strumenti dovrebbero integrare, anziché complicare, l'assistenza in prima linea.

Lo studio ha utilizzato il dataset MIMIC-III. I ricercatori indicano dataset più ampi e contesti sanitari differenti come prossimi ambiti di test: l'accuratezza riportata resta quindi un risultato di ricerca basato su quel dataset.