News Scientifiche
Uno studio di recente pubblicazione su JAMA Network Open ha dimostrato la capacità dei modelli di intelligenza artificiale di saper utilizzare i dati estrapolati dalle cartelle cliniche elettroniche per predire gli outcome futuri dei pazienti affetti da artrite reumatoide.
Se confermati, tali risultati suggeriscono che la costruzione di modelli accurati di predizione degli outcome di malattia a partire dalla documentazione clinica digitalizzata è possibile e che questi modelli potrebbero essere condivisi tra ospedali con diverse popolazioni di pazienti.
Razionale e obiettivi dello studio
I dati disponibili nelle cartelle cliniche elettroniche rappresentano una vera e propria miniera di informazioni per i clinici. La loro “mole”, tuttavia - rappresentata da informazioni sul numero di trattamento possibili, “l’evoluzione” temporale degli outcome associati all’eterogeneità delle condizioni di co-morbilità e la presenza di altri fattori – rende difficile un loro impiego efficiente anche da parte del medico più esperto.
Da tempo, in medicina, sono stati applicati molti metodi di apprendimento automatico basati sull’intelligenza artificiale per la valutazione contemporanea e pesata dei dati clinici e anagrafici disponibili (si pensi ai modelli di regressione del rischio di Cox, per fare un esempio). Il loro limite attuale, tuttavia, consiste nel fatto che questi metodi non sono spesso così “performanti” per predire gli outcome sulla base dei dati delle cartelle cliniche elettroniche in ragione dell’esistenza di difformità nel numero di “data point” tra i pazienti, della quantità elevata di dati mancanti e di interazioni tempo-dipendenti.
Con l’affermazione di nuovi strumenti di apprendimento automatico che ricorrono al modello delle reti neurali per l’effettuazione di predizioni longitudinali anche in base ai dati contenuti nelle cartelle cliniche elettroniche, risulta oggi già possibile classificare le aritmie CV e predire la mortalità intra-ospedaliera e le seconde accettazioni nei reparti di Medicina d’Urgenza.
Lo scopo di questo studio è stato quello di valutare le performance di questi ultimi modelli di apprendimento automatico basati sull’intelligenza artificiale nel predire l’attività di malattia nelle successive visite cliniche effettuate dal medico curante e valutare le performance intra-ospedaliere.
Disegno dello studio e risultati principali
I ricercatori hanno estrapolato dati strutturati provenienti dalle singole cartelle cliniche elettroniche relative ai loro pazienti, che includevano informazioni sul trattamento farmacologico, i dati anagrafici, le misure di laboratorio e le valutazioni pregresse di attività di malattia. Per quantificare la performance del modello di intelligenza artificiale utilizzato, si è fatto ricorso all’area sottostante la curva ROC (AUROC), mentre l’attività di malattia nell’AR è stata misurata con l’indice composito CDAI.
Tenendo conto della particolare organizzazione del sistema sanitario Usa, sono stati presi in considerazione i dati clinici relativi a 2 sistemi di erogazione delle cure con piattaforme di conservazione elettronica dei dati clinici differenti: un policlinico universitario (UH) e un ospedale pubblico (SNH).
Lo studio ha considerato i dati disponibili per 578 pazienti afferenti ad UH (aventi un’età media di 57 anni, in maggioranza di sesso femminile (82,5%), più della metà di etnia Caucasica) e quelli relativi a 242 pazienti afferenti a SNH (età media 60 anni, 80,6% di sesso femminile, 12,4% di etnica Caucasica). I pazienti afferenti ad UH erano visitati più frequentemente rispetto a quelli afferenti a SNH (intervallo mediano visite= 100 vs. 180 giorni) ed erano trattati più frequentemente con farmaci biologici [364(63%) vs. 70 (28,9%)].
La capacità predittiva del modello AI è stata lusinghiera in entrambe le realtà ospedaliere considerate: l’area sotto la curva ROC è stata pari a 0,91 (IC95%=0,86-0,06) in una coorte ristretta di 116 pazienti afferenti ad UH e pari a 0,74 (IC95%= 0,65-0,83) in una coorte ristretta di 117 pazienti afferenti a SNH, nonostante l’esistenza di differenze marcate nelle popolazioni di pazienti considerate.
Riassumendo
In conclusione, lo studio ha utilizzato i dati strutturati provenienti dalle cartelle cliniche digitalizzate di pazienti con AR per costruire un modello in grado di predire l’attività associata alla malattia. L’attività di previsione, confermata dai risultati, potrebbe rivelarsi utile in clinica per adattare l’aggressività del trattamento su base individualizzata, nel corso di ciascuna visita.
NC
Bibliografia
Norgeot B et al. Assessment of a Deep Learning Model Based on Electronic Health Record Data to Forecast Clinical Outcomes in Patients With Rheumatoid Arthritis. JAMA Netw Open. 2019;2(3):e190606. doi:10.1001/jamanetworkopen.2019.0606
Leggi
Torna all'archivio
Artrite reumatoide, l'intelligenza artificiale può arrivare a predire l'attività di malattia?
Se confermati, tali risultati suggeriscono che la costruzione di modelli accurati di predizione degli outcome di malattia a partire dalla documentazione clinica digitalizzata è possibile e che questi modelli potrebbero essere condivisi tra ospedali con diverse popolazioni di pazienti.
Razionale e obiettivi dello studio
I dati disponibili nelle cartelle cliniche elettroniche rappresentano una vera e propria miniera di informazioni per i clinici. La loro “mole”, tuttavia - rappresentata da informazioni sul numero di trattamento possibili, “l’evoluzione” temporale degli outcome associati all’eterogeneità delle condizioni di co-morbilità e la presenza di altri fattori – rende difficile un loro impiego efficiente anche da parte del medico più esperto.
Da tempo, in medicina, sono stati applicati molti metodi di apprendimento automatico basati sull’intelligenza artificiale per la valutazione contemporanea e pesata dei dati clinici e anagrafici disponibili (si pensi ai modelli di regressione del rischio di Cox, per fare un esempio). Il loro limite attuale, tuttavia, consiste nel fatto che questi metodi non sono spesso così “performanti” per predire gli outcome sulla base dei dati delle cartelle cliniche elettroniche in ragione dell’esistenza di difformità nel numero di “data point” tra i pazienti, della quantità elevata di dati mancanti e di interazioni tempo-dipendenti.
Con l’affermazione di nuovi strumenti di apprendimento automatico che ricorrono al modello delle reti neurali per l’effettuazione di predizioni longitudinali anche in base ai dati contenuti nelle cartelle cliniche elettroniche, risulta oggi già possibile classificare le aritmie CV e predire la mortalità intra-ospedaliera e le seconde accettazioni nei reparti di Medicina d’Urgenza.
Lo scopo di questo studio è stato quello di valutare le performance di questi ultimi modelli di apprendimento automatico basati sull’intelligenza artificiale nel predire l’attività di malattia nelle successive visite cliniche effettuate dal medico curante e valutare le performance intra-ospedaliere.
Disegno dello studio e risultati principali
I ricercatori hanno estrapolato dati strutturati provenienti dalle singole cartelle cliniche elettroniche relative ai loro pazienti, che includevano informazioni sul trattamento farmacologico, i dati anagrafici, le misure di laboratorio e le valutazioni pregresse di attività di malattia. Per quantificare la performance del modello di intelligenza artificiale utilizzato, si è fatto ricorso all’area sottostante la curva ROC (AUROC), mentre l’attività di malattia nell’AR è stata misurata con l’indice composito CDAI.
Tenendo conto della particolare organizzazione del sistema sanitario Usa, sono stati presi in considerazione i dati clinici relativi a 2 sistemi di erogazione delle cure con piattaforme di conservazione elettronica dei dati clinici differenti: un policlinico universitario (UH) e un ospedale pubblico (SNH).
Lo studio ha considerato i dati disponibili per 578 pazienti afferenti ad UH (aventi un’età media di 57 anni, in maggioranza di sesso femminile (82,5%), più della metà di etnia Caucasica) e quelli relativi a 242 pazienti afferenti a SNH (età media 60 anni, 80,6% di sesso femminile, 12,4% di etnica Caucasica). I pazienti afferenti ad UH erano visitati più frequentemente rispetto a quelli afferenti a SNH (intervallo mediano visite= 100 vs. 180 giorni) ed erano trattati più frequentemente con farmaci biologici [364(63%) vs. 70 (28,9%)].
La capacità predittiva del modello AI è stata lusinghiera in entrambe le realtà ospedaliere considerate: l’area sotto la curva ROC è stata pari a 0,91 (IC95%=0,86-0,06) in una coorte ristretta di 116 pazienti afferenti ad UH e pari a 0,74 (IC95%= 0,65-0,83) in una coorte ristretta di 117 pazienti afferenti a SNH, nonostante l’esistenza di differenze marcate nelle popolazioni di pazienti considerate.
Riassumendo
In conclusione, lo studio ha utilizzato i dati strutturati provenienti dalle cartelle cliniche digitalizzate di pazienti con AR per costruire un modello in grado di predire l’attività associata alla malattia. L’attività di previsione, confermata dai risultati, potrebbe rivelarsi utile in clinica per adattare l’aggressività del trattamento su base individualizzata, nel corso di ciascuna visita.
NC
Bibliografia
Norgeot B et al. Assessment of a Deep Learning Model Based on Electronic Health Record Data to Forecast Clinical Outcomes in Patients With Rheumatoid Arthritis. JAMA Netw Open. 2019;2(3):e190606. doi:10.1001/jamanetworkopen.2019.0606
Leggi
Torna all'archivio