ΠΡΟΓΝΩΣΗ ΠΡΩΙΜΗΣ ΚΑΙ ΟΨΙΜΗΣ ΘΝΗΤΟΤΗΤΑΣ ΣΕ ΒΑΡΕΩΣ ΠΑΣΧΟΝΤΕΣ ΑΣΘΕΝΕΙΣ ΜΕ ΘΡΟΜΒΩΣΗ ΜΕ ΤΗ ΧΡΗΣΗ ΑΥΤΟΜΑΤΟΠΟΙΗΜΕΝΩΝ ΤΕΧΝΙΚΩΝ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ ΚΑΙ ΤΕΧΝΗΤΗΣ ΝΟΗΜΟΣΥΝΗΣ

EΙΣΑΓΩΓΗ: Οι ασθενείς με φλεβική θρομβοεμβολική νόσο (ΦΘΕ) που χρειάζονται άμεση νοσηλεία σε μονάδες εντατικής θεραπείας (ΜΕΘ) παρουσιάζουν αυξημένη θνητότητα ενδονοσοκομειακά και απώτερα. Τα υπάρχοντα προγνωστικά μοντέλα αφορούν την ενδονοσοκομειακή θνητότητα, ενώ η όψιμη θνητότητα δεν είναι εύκολα προβλέψιμη λόγω ελλιπούς παρακολούθησης και πολυπλοκότητας των δεδομένων. Οι σύγχρονες ιατρικές βάσεις περιέχουν ένα τεράστιο όγκο διαχρονικών, πολυπαραμετρικών δεδομένων, που οι κλασικές στατιστικές μέθοδοι εξαγωγής προγνωστικών μοντέλων αδυνατούν να διαχειριστούν. ΣΚΟΠΟΣ ΤΗΣ ΜΕΛΕΤΗΣ: Σκοπός της παρούσας μελέτης είναι να αναδείξει τη δυνατότητα χρήσης αυτοματοποιημένων τεχνικών μηχανικής μάθησης και τεχνητής νοημοσύνης για την πρόβλεψη της πρώιμης και όψιμης θνητότητας ασθενών με ΦΘΕ στις ΜΕΘ. ΥΛΙΚΟ ΚΑΙ ΜΕΘΟΔΟΣ: Μελετήθηκαν 2468 ασθενείς από τη βάση Medical Information Mart for Intensive Care (MIMIC-III) που εισήχθησαν στη ΜΕΘ με διάγνωση ΦΘΕ, το χρονικό διάστημα 2001-2012. Κριτήρια αποκλεισμού: ασθενείς ηλικίας <15 ετών, γυναίκες σε κύηση ή λοχεία και ασθενείς με εντολή μη εφαρμογής αναζωογόνησης. Μελετήθηκαν τρεις κλάσεις: A=348 (14,1%) απεβίωσαν κατά την πρώτη νοσηλεία (μέσος όρος 17 ημέρες), B=817 (33,1%) απεβίωσαν μετά το εξιτήριο (μέσος όρος 549 ημέρες), ενώ Γ=303 (52,8%) επιβίωσαν μήνες μετά. Κατασκευάστηκαν δύο μοντέλα, για την πρόγνωση της πρώιμης (Μ1) και της όψιμης (Μ2) θνητότητας. Για κάθε ασθενή, εξορύχθησαν από τη βάση 1471 χαρακτηριστικά (δημογραφικά, κλινικά, εργαστηριακά, διάρκεια παραμονής, αριθμός νοσηλειών, γνωστοί αλγόριθμοι συννοσηρότητας, σήψης, πολυοργανικής ανεπάρκειας, μεταγγίσεις, φάρμακα, επεμβάσεις, και ιατρικές σημειώσεις). Προκειμένου να αναγνωριστεί η διαφορετική προγνωστική τους ικανότητα μελετήθηκαν 8 διαφορετικές υποομάδες για κάθε μοντέλο (“Κλινικά”, “Εργαστηριακά”, “Επεμβάσεις”, “Μεταγγίσεις”, “Φάρμακα”, “Συστήματα πρόγνωσης”, “Ιατρικές σημειώσεις”, “Όλα”).Χρησιμοποιήθηκαν δύο διαφορετικές μέθοδοι μηχανικής μάθησης: (1) η διαδικτυακή πλατφόρμα JADBIO και (2) δέντρα απόφασης Random Forest με μεθόδους εξισορρόπησης των κλάσεων (class imbalance). ΑΠΟΤΕΛΕΣΜΑΤΑ: Η ανάλυση συσχέτισης κατά Pearson των γνωστών αλγορίθμων σήψης και σοβαρότητας νόσου με το χρόνο θανάτου αναδείχθηκε με χάρτες θερμότητας (heat maps). Τα δύο μοντέλα μηχανικής μάθησης έδωσαν εξαιρετικά αποτελέσματα για την πρόγνωση της Μ1 (AUC 0,925 vs 0,91) και ικανοποιητικά για τη Μ2 (AUC 0,82) με τη χρήση δέντρων απόφασης. Ο συνδυασμός όλων των δεδομένων (“Όλα”), τα “Συστήματα πρόγνωσης” και τα “Κλινικά” είχαν τη μεγαλύτερη προγνωστική δυνατότητα. Σημαντικοί προγνωστικοί παράγοντες είναι η ηλικία, παρουσία καρκίνου, αναπνευστικής, καρδιαγγειακής και νεφρικής νόσου, χορήγηση αγγειοσυσπαστικών και μηχανικής υποστήριξης. H χρήση ουαρφαρίνης, οι μεταγγίσεις ερυθρών και πιθανώς το RDW είναι σημαντικοί προγνωστικοί παράγοντες και για την όψιμη θνητότητα. ΣΥΜΠΕΡΑΣΜΑΤΑ: Η πρόγνωση της πρώιμης και όψιμης θνητότητας στους ασθενείς με ΦΘΕ στη ΜΕΘ αποτελεί σημαντική πρόκληση. Η μελέτη αυτή χρησιμοποιεί ένα πολυδιάστατο μοντέλο και μεγάλο πλήθος διαφορετικών αλγορίθμων μηχανικής μάθησης προκειμένου να βρει το βέλτιστο προγνωστικό μοντέλο ξεπερνώντας τα προβλήματα των πολλαπλών διαστάσεων (curse of dimensionality) της ανισορροπίας των διαφορετικών κλάσεων, των ελλιπών στοιχείων στη βάση δεδομένων και των συσχετίσεων μεταξύ των διαφορετικών χαρακτηριστικών. Η JADBIO έχει το πλεονέκτημα ότι δεν χρειάζεται γνώσεις προγραμματισμού από το χειριστή, είναι εξαιρετικά γρήγορη και εύχρηστη για τους κλινικούς και παράγει σαφή αποτελέσματα με κλινική σημασία. Η χρήση αυτόματων τεχνικών μηχανικής μάθησης σε πολυδιάστατες βάσεις δεδομένων αποτελεί δυνητικά ένα χρήσιμο εργαλείο για τον κλινικό γιατρό. Η εκτίμηση της όψιμης θνητότητας μπορεί να βελτιωθεί με τεχνικές βαθιάς εκμάθησης και νευρωνικών δικτύων, ενώ εξωτερική επιβεβαίωση σε μεγαλύτερες, σύγχρονες βάσεις είναι αναγκαία.