Machine learning per lo sviluppo di modelli diagnostici di scompenso cardiaco o esacerbazione di broncopneumopatia cronica ostruttiva

Rapporti scientifici volume 13, numero articolo: 12709 (2023) Citare questo articolo

48 Accessi

1 Altmetrico

Dettagli sulle metriche

L’insufficienza cardiaca (HF) e la broncopneumopatia cronica ostruttiva (BPCO) sono due malattie croniche con il maggiore impatto negativo sulla popolazione generale e la diagnosi precoce del loro scompenso è un obiettivo importante. Tuttavia, pochissimi modelli diagnostici hanno raggiunto prestazioni diagnostiche adeguate. Lo scopo di questo studio era sviluppare modelli diagnostici di insufficienza cardiaca scompensata o esacerbazione della BPCO con tecniche di apprendimento automatico basate su parametri fisiologici. Sono stati reclutati un totale di 135 pazienti ricoverati in ospedale per insufficienza cardiaca scompensata e/o esacerbazione della BPCO. Ogni paziente è stato sottoposto a tre valutazioni: una in fase scompensata (durante il ricovero ospedaliero) e altre due consecutive in fase compensata (a domicilio, 30 giorni dopo la dimissione). In ciascuna valutazione, la frequenza cardiaca (HR) e la saturazione di ossigeno (Ox) sono state registrate continuamente (con un pulsossimetro) durante un periodo di cammino per 6 minuti, seguito da un periodo di recupero di 4 minuti. Per sviluppare i modelli diagnostici, le caratteristiche predittive relative a HR e Ox sono state inizialmente selezionate attraverso algoritmi di classificazione. I potenziali predittori includevano età, sesso e malattia di base (insufficienza cardiaca o BPCO). Successivamente, sono stati sviluppati modelli di classificazione diagnostica (fase compensata e fase scompensata) attraverso diverse tecniche di apprendimento automatico. La prestazione diagnostica dei modelli sviluppati è stata valutata in base alla sensibilità (S), specificità (E) e accuratezza (A). Sono stati inclusi nelle analisi i dati di 22 pazienti con insufficienza cardiaca scompensata, 25 con esacerbazione della BPCO e 13 con entrambe le patologie scompensate. Delle 96 caratteristiche di HR e Ox inizialmente valutate, ne sono state selezionate 19. L’età, il sesso e la malattia di base non hanno fornito un maggiore potere discriminante ai modelli. Le tecniche con valori S ed E superiori all'80% erano la regressione logistica (S: 80,83%; E: 86,25%; A: 83,61%) e la support vector machine (S: 81,67%; E: 85%; A: 82,78%) tecniche. I modelli diagnostici sviluppati hanno ottenuto buone prestazioni diagnostiche per l'insufficienza cardiaca scompensata o l'esacerbazione della BPCO. A nostra conoscenza, questo studio è il primo a riportare modelli diagnostici di scompenso potenzialmente applicabili sia ai pazienti con BPCO che a quelli con scompenso cardiaco. Tuttavia, questi risultati sono preliminari e richiedono ulteriori indagini per essere confermati.

L'insufficienza cardiaca (HF) e la broncopneumopatia cronica ostruttiva (BPCO) sono due malattie croniche con il maggiore impatto negativo sulla popolazione generale1,2,3. Lo scompenso (nello scompenso cardiaco) o l'esacerbazione (nella BPCO) sono particolarmente importanti poiché influenzano l'autonomia e la qualità della vita e aumentano la mortalità e la necessità di ricovero ospedaliero o di visite ai servizi di emergenza4,5,6,7. Pertanto, lo sviluppo di metodi che consentano il rilevamento precoce dello scompenso di queste malattie è importante poiché tale rilevamento consente un recupero più rapido ed evita la necessità di un intervento importante come il ricovero ospedaliero8,9.

L'approccio abituale dei metodi sviluppati fino ad oggi per rilevare lo scompenso precoce di entrambe le malattie si basa sul monitoraggio ambulatoriale dei parametri clinici utilizzando modelli predittivi o algoritmi diagnostici applicati in modo continuo o intermittente10,11. Per quanto riguarda lo scompenso cardiaco, una revisione sistematica di algoritmi basati su parametri fisiologici non invasivi11 ha identificato i parametri fisiologici più frequentemente considerati per questo tipo di algoritmo: peso come indicatore di sovraccarico di liquidi (96%), pressione sanguigna (85%), frequenza cardiaca (FC) (61%), saturazione di ossigeno (Ox) (23%) e ritmo cardiaco (17%). Tuttavia, la combinazione ottimale di parametri per rilevare lo scompenso non è stata ancora stabilita e il peso corporeo, sebbene ampiamente utilizzato, spesso genera molti falsi allarmi e ha una bassa sensibilità per rilevare lo scompenso cardiaco. Nella BPCO, a differenza dello scompenso cardiaco, i parametri fisiologici più comunemente considerati sono Ox e HR10, nonché i test di funzionalità polmonare (spirometria). Diversi studi12,13,14 hanno calcolato le differenze di questi parametri nei giorni precedenti una riacutizzazione della BPCO. Pertanto, per Ox è stata segnalata una diminuzione di 1-2 punti o 1-1,24 deviazioni standard (SD) rispetto al basale, mentre per HR sono stati riportati aumenti di 5-7 battiti al minuto o 3 DS rispetto al basale. Tra i parametri sopra menzionati per entrambe le condizioni, abbiamo sottolineato Ox e HR poiché sono parametri fisiologici che attualmente possono essere monitorati da remoto e in modo affidabile attraverso dispositivi tecnologici senza interruzioni durante la routine quotidiana dei pazienti.