{"id":7366,"date":"2023-04-21T13:02:43","date_gmt":"2023-04-21T11:02:43","guid":{"rendered":"https:\/\/www.convegnonazionaleaiic.it\/implementazione-di-un-algoritmo-predittivo-per-prevenire-il-deterioramento-delle-condizioni-cliniche-dei-pazienti-a-partire-dai-parametri-vitali\/"},"modified":"2023-04-21T13:02:43","modified_gmt":"2023-04-21T11:02:43","slug":"implementazione-di-un-algoritmo-predittivo-per-prevenire-il-deterioramento-delle-condizioni-cliniche-dei-pazienti-a-partire-dai-parametri-vitali","status":"publish","type":"post","link":"https:\/\/www.convegnonazionaleaiic.it\/implementazione-di-un-algoritmo-predittivo-per-prevenire-il-deterioramento-delle-condizioni-cliniche-dei-pazienti-a-partire-dai-parametri-vitali\/","title":{"rendered":"IMPLEMENTAZIONE DI UN ALGORITMO PREDITTIVO PER PREVENIRE IL DETERIORAMENTO DELLE CONDIZIONI CLINICHE DEI PAZIENTI A PARTIRE DAI PARAMETRI VITALI"},"content":{"rendered":"
\n
\n

\"\"\"\" <\/p>\n

AFFILIAZIONE<\/span>
\n<\/strong>humanitas research hospital<\/p>\n

AUTORE PRINCIPALE<\/span>
\n<\/strong>Ing. Gazzara Michele<\/p>\n

\nVALUTA IL CHALLENGE<\/span><\/strong>[ratingwidget]<\/p>\n<\/div>\n

\n

<\/a><\/p>\n

GRUPPO DI LAVORO<\/span><\/strong>
\nIng. Gazzara Michele<\/strong> – humanitas research hospital, rozzano (mi)<\/i>
Ing. Nappi Mariangela<\/strong> – humanitas research hospital, rozzano (mi)<\/i>
Ing Oliva Paolo<\/strong> – humanitas research hospital, rozzano (mi)<\/i> <\/p>\n

AREA TEMATICA<\/span>
\n<\/strong>Applicazioni di intelligenza artificiale in sanit\u00e0<\/p>\n

ABSTRACT<\/span>
\n<\/strong>Introduzione
\nNelle degenze di Humanitas sono stati introdotti dei monitor multiparametrici smart di ultima generazione in grado di acquisire in maniera automatica i parametri vitali e calcolare, a partire da questi ultimi, l\u2019Early Warning Score (EWS), un parametro che permette di valutare il potenziale deterioramento delle condizioni cliniche dei pazienti. I monitor sono connessi con la cartella clinica elettronica (CCE) e ci\u00f2 ha reso disponibile una significativa mole di dati relativi allo stato di salute dei pazienti che sono stati impiegati per l\u2019implementazione di un algoritmo predittivo.
\nStato dell\u2019Arte
\nIn letteratura \u00e8 stato gi\u00e0 discusso il valore predittivo dell\u2019EWS e del peso di ogni parametro vitale che concorre al calcolo. A partire da questo, ci si \u00e8 posti l\u2019obiettivo di fare uno step aggiuntivo per capire se i valori precedenti di EWS e degli altri parametri vitali (al tempo t) permettono di predire il valore successivo di EWS (al tempo t+\u0394t). Conoscere in anticipo l\u2019evoluzione dell\u2019EWS porta significativi benefici al personale medico, che pu\u00f2 predisporre nuovi piani terapeutici in maniere tempestiva, e ai pazienti, che possono evitare complicazioni e ridurre il tempo di degenza.
\nMateriali e Metodi
\nSono stati estratti dalla CCE i dati di 3327 pazienti ricoverati in due degenze (1 chirurgica, 1 oncologica) da Giugno 2021 a Giugno 2022. Per ogni paziente sono stati estratti: HR, FR, PAS, SAT, SATO2 (saturazione dell\u2019ossigeno in caso di ossigenoterapia), Temp, Stato di coscienza (variabile booleana), EWS. Dopo il preprocessing, (standardizzazione, encoding e split in set di training, test e validazione) i dati sono stati impiegati per il training di un algoritmo basato sul modello del percettrone multistrato. Sono stati testati i risultati su diverse architetture per identificare quella con errore quadratico medio (RMSE) pi\u00f9 basso che consta di tre livelli (50,30,10). Nel training del modello sono stati impiegati la ReLU come funzione di attivazione e l\u2019ottimizzatore ADAM (Adaptive Moment Estimation), basato sulla discesa stocastica del gradiente.
\nRisultati
\nPer valutare la qualit\u00e0 del modello, ovvero quanto i risultati ottenuti siano in grado di predire l\u2019indice EWS all\u2019istante t+\u0394t, \u00e8 stata utilizzata la matrice di confusione e le sue relative metriche: precisione, sensitivit\u00e0, accuratezza e F1-score. Di seguito i valori ottenuti, che validano le performance dell\u2019algoritmo: Precisione=1; Sensitivit\u00e0=0,9892; Accuratezza=0,9976; F1-score= 0,9946.<\/p>\n

 <\/p>\n