Migliorare le Previsioni dei Rischi di Mortalità dei Pazienti

Stimare quanto tempo potrebbero vivere i pazienti è importante per identificare quelli ad alto rischio e migliorare le cure che ricevono in ospedale. Molti pazienti con malattie come il cancro ricevono cure speciali nei loro ultimi mesi, ma quelli con altre malattie possono ricevere questo servizio solo quando è quasi troppo tardi. In Canada, la maggior parte delle persone preferisce morire a casa o nella comunità, eppure un numero significativo finisce in ospedale. Un modo migliore per identificare prima i pazienti ad alto rischio permetterebbe a medici e infermieri di avere conversazioni importanti su cosa vogliono i pazienti alla fine della loro vita, aiutando a abbinare le loro preferenze con le cure che ricevono.

Queste discussioni possono aiutare a creare documenti di obiettivi di cura, che chiariscono che tipo di supporto medico vogliono i pazienti. Quando pazienti e famiglie sono coinvolti in queste discussioni, possono condividere decisioni che portano a cure migliori e potenzialmente meno depressione o lutto dopo una perdita. Tuttavia, prevedere quali pazienti siano ad alto rischio può richiedere molto tempo e sforzo in ambienti ospedalieri affollati. Uno strumento automatizzato che non richiede input umano potrebbe aiutare a individuare questi pazienti precocemente e alleviare il carico di lavoro per i team sanitari.

I ricercatori hanno esaminato come le informazioni nei Registri Sanitari Elettronici (EHR) possano aiutare a prevedere quali pazienti potrebbero morire presto, aprendo la strada a sistemi di supporto utili. Un Modello notevole è il punteggio di Rischio di Mortalità Ospedaliera a un Anno (HOMR), che stima la probabilità che un Paziente muoia entro un anno dall'ammissione in ospedale. Le versioni precedenti di questo punteggio utilizzavano dati raccolti al momento della dimissione dei pazienti, ma le versioni più recenti si sono adattate a utilizzare solo informazioni disponibili proprio quando i pazienti arrivano in ospedale. Tuttavia, molti di questi studi non hanno sfruttato informazioni preziose dai passati accessi dei pazienti. Invece, si sono concentrati su singole degenze ospedaliere, il che non riflette come i medici considerino tipicamente la storia clinica complessiva di un paziente.

Sono stati fatti alcuni sforzi per includere più informazioni, come malattie passate o note dei medici, ma questi metodi possono essere complicati e più difficili da impostare nei sistemi ospedalieri della vita reale. La maggior parte dei modelli esistenti che utilizzano il punteggio HOMR sono più semplici e sono già stati messi in pratica.

Nel nostro lavoro, abbiamo esaminato come l'uso dei dati storici dei pazienti potesse migliorare l'accuratezza del punteggio HOMR. Abbiamo costruito su ricerche precedenti e incluso dati da accessi ospedalieri più recenti per vedere se questo approccio potesse rendere le previsioni più affidabili. Abbiamo creato un modello speciale che utilizza queste informazioni e l'abbiamo confrontato con modelli più semplici che non utilizzavano alcun dato storico. Abbiamo testato il nostro modello in due modi diversi: guardando solo ai dati demografici e alle informazioni di base al momento dell'ammissione, e includendo anche diagnosi e altri dettagli di salute disponibili durante la degenza in ospedale.

#Panoramica dello Studio

Questa ricerca si è svolta in una grande rete ospedaliera a Sherbrooke, Quebec, Canada. Abbiamo raccolto dati da un database istituzionale che combinava informazioni sanitarie e amministrative. Ci siamo concentrati sugli adulti ammessi a servizi non psichiatrici tra luglio 2011 e giugno 2021. Abbiamo anche verificato lo stato di morte dei pazienti utilizzando informazioni dalle statistiche vitali. Prima di iniziare, abbiamo ottenuto approvazione per il nostro studio.

Nei nostri modelli predittivi, abbiamo utilizzato informazioni demografiche e di ammissione insieme a diagnosi sanitarie per costruire i nostri risultati. Eravamo particolarmente interessati a due scenari: uno che utilizzava solo dettagli demografici di base e un altro che aggiungeva diagnosi mediche.

#Modello di Predizione Automatica

Per esaminare come l'uso dell'intera storia medica di un paziente potesse migliorare il punteggio HOMR, abbiamo sviluppato un modello chiamato Ensemble Long Short-Term Memory (ELSTM). Questo modello raccoglie informazioni da diversi accessi dei pazienti e aiuta a identificare il rischio di morte in modo più efficace.

Il nostro modello guarda a diversi accessi che un paziente ha avuto in ospedale e stima il loro rischio in base a quella storia. Durante l'addestramento, abbiamo utilizzato un dataset che rappresentava sequenze di accessi ospedalieri per ciascun paziente, permettendo al modello di apprendere dall'intera storia di accessi. Analizzando i modelli nel tempo, speravamo di catturare un profilo di rischio più accurato rispetto ai modelli più semplici.

Abbiamo confrontato il nostro nuovo modello con due modelli base che non tenevano conto dei dati storici: un modello di foresta casuale e un modello LSTM di base. Entrambi questi modelli più semplici facevano previsioni basate esclusivamente sui dettagli dell'accesso immediato senza comprendere la storia medica passata del paziente.

#Impostazione dell'Esperimento

Abbiamo utilizzato una specifica impostazione sperimentale per valutare il nostro modello rispetto ai modelli di base. Abbiamo organizzato il nostro dataset in base alle ammissioni dei pazienti nel tempo. La prima parte dei dati è stata utilizzata per addestrare i modelli, mentre la parte successiva è stata riservata per testare le loro previsioni.

Il nostro obiettivo era confrontare quanto bene funzionasse il nostro modello nella pratica per identificare pazienti che potrebbero beneficiare di discussioni sulle cure di fine vita con i medici. Per valutare l'efficacia del nostro modello, abbiamo esaminato quanto bene prevedesse quali pazienti morissero entro un anno dall'ultimo accesso ospedaliero.

#Processo di Selezione del Modello

Abbiamo sviluppato una fase di selezione del modello per confrontare l'ELSTM con i modelli di base e valutare i benefici dell'inclusione della storia del paziente. Abbiamo utilizzato un metodo di cross-validation nidificato, che ci ha permesso di affinare e selezionare il miglior modello per prevedere il rischio.

In sostanza, abbiamo creato gruppi di test di pazienti e addestrato il nostro modello di conseguenza per garantire che ciascun paziente apparisse in un solo set di test alla volta. Questo ci ha aiutato a valutare equamente le prestazioni del nostro nuovo modello rispetto ai metodi più semplici.

#Valutazione Finale

Dopo aver selezionato il miglior modello in base alle prestazioni, abbiamo confrontato le sue previsioni con le cure abituali fornite dai professionisti sanitari. Questo confronto mirava a vedere quanto spesso il modello identificasse correttamente i pazienti che erano ad alto rischio di morire entro l'anno successivo.

Le nostre valutazioni finali hanno dimostrato che il nuovo modello ELSTM ha funzionato bene e ha corrisposto da vicino a ciò che i medici stavano facendo. Questo significa che potrebbe essere uno strumento utile negli ospedali, aiutando a supportare le decisioni di cura dei pazienti.

#Conclusioni

Questo studio ha presentato il modello ELSTM, che utilizza sia informazioni di ammissione che dati storici per prevedere meglio quali pazienti potrebbero essere ad alto rischio di morte entro un anno. I nostri risultati hanno mostrato che utilizzare più dati dai precedenti accessi ospedalieri dei pazienti ha notevolmente migliorato l'accuratezza delle previsioni di mortalità.

Il nuovo modello può informare i team sanitari quando potrebbe essere appropriato avviare una conversazione sulle cure di fine vita. Questo è cruciale poiché aiuta ad allineare le cure fornite con ciò che i pazienti realmente vogliono.

Anche se il nostro metodo mostra promesse, ci sono ancora sfide. Ad esempio, i pazienti più anziani o quelli con storie cliniche complicate non hanno sempre ricevuto previsioni accurate. Futuri miglioramenti potrebbero coinvolgere l'inclusione di informazioni sanitarie più dettagliate per migliorare le previsioni.

In generale, il nostro lavoro mette in luce quanto possano essere preziose le informazioni nei registri medici dei pazienti, portando a cure migliori e a discussioni più produttive sulle cure di fine vita. Apre nuove strade per supportare meglio i pazienti e le loro famiglie durante decisioni sanitarie critiche.