Previsione della sopravvivenza nei pazienti con malattia coronarica

La malattia coronarica (CAD) è un problema di salute serio in cui si accumula placca dentro le arterie che portano sangue al cuore. Questa placca è fatta principalmente di colesterolo e può restringere le arterie, rendendo più difficile il passaggio del sangue. Chi ha la CAD ha un alto rischio di morte. Infatti, la CAD causa circa 610.000 morti all'anno negli Stati Uniti, il che significa 1 morte su 4. A livello globale, è una delle principali cause di morte, con circa 17,8 milioni di decessi all'anno. Il peso finanziario della CAD sui sistemi sanitari è significativo, costando oltre 200 miliardi di dollari ogni anno negli Stati Uniti.

Nonostante l’impatto elevato della CAD, ci sono pochi modi affidabili per prevedere quanto sia probabile che un paziente muoia a causa di essa. Avere migliori metodi di previsione potrebbe aiutare i medici a prendere decisioni più informate su come utilizzare efficacemente le risorse mediche, potenzialmente salvando vite. Attualmente, la ricerca si concentra sulla creazione di modelli più accurati che possano prevedere i rischi associati alla CAD e migliorare le possibilità dei pazienti di vivere più a lungo.

Molti dei modelli esistenti mirano a prevedere i rischi di mortalità in pazienti con altre condizioni gravi, come il diabete. Alcuni modelli considerano anche quali fattori aumentano il rischio specificamente per i pazienti CAD. Tuttavia, c’è ancora una lacuna nei modelli di previsione progettati per gli esiti della CAD.

Un approccio che ha mostrato promesse è una combinazione di Process Mining e deep learning. Questo metodo è stato utile per comprendere gli esiti di salute dei pazienti in Terapia Intensiva (ICU) con varie malattie. Inizia analizzando i dati registrati sugli eventi dei pazienti, come informazioni critiche sulla salute, demografia e tempistica degli eventi. Queste informazioni vengono elaborate per creare campioni che rappresentano lo stato del paziente nel tempo, utilizzati poi in una rete neurale per prevedere gli esiti di salute. I risultati di questo approccio hanno mostrato miglioramenti significativi rispetto ai metodi tradizionali.

L’obiettivo è utilizzare questo approccio combinato di process mining e deep learning per prevedere se i pazienti CAD sopravvivranno o moriranno. I risultati di questo metodo verranno confrontati con diversi altri modelli di machine learning per valutarne l’efficacia.

#Cos'è il Process Mining?

Il process mining è una tecnica che analizza i processi esaminando i registri degli eventi. Questi registri registrano le azioni intraprese durante un processo, permettendo ai ricercatori di capire come funzionano quei processi. I tre principali tipi di process mining sono la scoperta dei processi, il controllo di quanto bene vengono seguiti i processi e il miglioramento dei processi. In questo contesto, il process mining aiuterà a creare un modello che visualizza i passaggi che un paziente compie durante le cure mediche.

#Reti di Petri: Uno Strumento per Comprendere i Processi

Una Rete di Petri è un modello matematico usato per rappresentare processi. Consiste in posti rappresentati come cerchi e transizioni rappresentate come rettangoli. Ogni evento nel processo è contrassegnato attivando una transizione. I cerchi mostrano lo stato attuale del processo, con token al loro interno che indicano l’attività. Quando le condizioni sono soddisfatte, le transizioni possono attivarsi, mostrando che il processo è passato al passo successivo.

#Cosa Sono i Registri degli Eventi?

Un registro degli eventi registra azioni specifiche che cambiano lo stato di un processo. Ogni azione, chiamata evento, può accadere più volte. Ogni evento ha un nome e un timestamp, che mostra quando è accaduto. Una sequenza di questi eventi è chiamata traccia. Questa struttura organizzativa aiuta a tenere traccia di cosa succede a ciascun passo del processo.

#Decay Replay Mining: Un Nuovo Approccio

Il Decay Replay Mining (DREAM) è un metodo nel process mining che può prevedere eventi futuri in un processo basandosi sui dati passati. LOVE estende i posti trovati nella Rete di Petri con funzioni di decadimento temporale, che tengono conto di quando si sono verificati gli eventi. Man mano che il registro degli eventi viene utilizzato nella Rete di Petri, queste funzioni di decadimento temporale aiutano a creare campioni di stato temporizzati.

#Campioni di Stato Temporizzati Spiegati

I campioni di stato temporizzati vengono creati dopo che un registro degli eventi è stato utilizzato nella Rete di Petri. Questi campioni contengono informazioni temporali che riflettono lo stato del processo in vari momenti nel tempo. Queste informazioni sono fondamentali per fare previsioni accurate.

#Prevedere la Mortalità per i Pazienti CAD

Per prevedere la mortalità dei pazienti CAD, il metodo prevede la selezione di caratteristiche importanti dai dati del paziente. I dati vengono raccolti da un database noto come MIMIC III, che include le cartelle cliniche dei pazienti. Solo i pazienti con precedenti ricoveri ospedalieri sono considerati per questa analisi.

Le caratteristiche estratte dai dati includono i tipi di ricovero ospedaliero, informazioni sull'assicurazione, risultati di laboratorio, età, sesso e altre condizioni di salute. Questi elementi vengono poi convertiti in registri degli eventi, che tracciano la sequenza di eventi nelle cure di un paziente, utilizzando timestamp per mostrare quando si è verificato ciascun evento.

Utilizzando il metodo DREAM, la previsione si concentra sul fatto che un paziente CAD sopravvivrà o meno al suo ricovero in ospedale. La rete neurale assume i campioni di stato temporizzati e i dati demografici per analizzare la probabilità dell'esito di un paziente.

#Architettura della Rete Neurale

La rete neurale utilizzata per questa previsione ha una struttura specifica. I campioni di stato temporizzati vengono inseriti in un ramo della rete, che ha uno strato nascosto con 200 neuroni. Dopo l'elaborazione attraverso questo strato, viene applicato un tasso di dropout dello 0,2 per prevenire il sovra-adattamento. I dati demografici come età e sesso vengono inseriti in un altro strato nascosto con 20 neuroni, e viene applicato un altro tasso di dropout dello 0,2. I risultati di questi strati vengono poi combinati in uno strato finale composto da 90 neuroni, anch'esso con un tasso di dropout dello 0,2.

#Test e Confronto dei Modelli

Per valutare l'efficacia di questo nuovo metodo, le previsioni fatte dall'approccio di process mining e deep learning vengono confrontate con diversi modelli di base. Questi modelli di base sono creati utilizzando algoritmi tradizionali di machine learning come Support Vector Machine, Decision Trees, Random Forest e XG-Boost. Ciascuno di questi modelli è addestrato con le stesse caratteristiche per garantire equità nel confronto.

Le prestazioni dei vari modelli sono valutate utilizzando un'area sotto la curva (AUC) che indica quanto bene ciascun modello può distinguere tra pazienti che sopravvivono e quelli che non sopravvivono. Maggiore è il punteggio AUC, migliore è la capacità predittiva del modello.

#Risultati e Intuizioni

I risultati dei test indicano che il metodo proposto ha un punteggio AUC superiore rispetto a tutti i modelli di base. Questo dimostra che l'approccio di process mining e deep learning è più efficace nel prevedere i tassi di mortalità tra i pazienti CAD. Inoltre, questo metodo offre intuizioni su come la storia medica e la tempistica degli eventi possano influenzare gli esiti dei pazienti.

#Limitazioni e Lavori Futuri

Sebbene questo approccio mostri promesse, ha anche alcune limitazioni. L'efficacia dipende molto dalla disponibilità dei dati dei pazienti. Cliniche o ospedali più piccoli potrebbero non avere storie cliniche complete dei pazienti, il che potrebbe limitare l'utilità del metodo. Inoltre, gli ospedali spesso non condividono i dati, rendendo difficile addestrare il modello adeguatamente. Trovare modi per affrontare queste limitazioni è essenziale per migliorare l'accuratezza del modello.

Il framework proposto cerca di migliorare le previsioni per i pazienti CAD incorporando sia la storia medica sia informazioni temporali. Ci sono piani per esplorare diverse tecniche di modellazione in futuro nella speranza di aumentare ulteriormente l'accuratezza.

Prevedere gli esiti per i pazienti CAD prontamente consente ai team medici di agire velocemente, assicurando che i pazienti ricevano le migliori cure possibili. Il framework discusso può aiutare a allocare le risorse in modo più efficiente, potenzialmente aumentando la durata della vita dei pazienti con CAD.

Man mano che vengono sviluppati metodi più raffinati, possono adattarsi a varie situazioni cliniche, beneficiando sia i pazienti che i sistemi sanitari. Incorporare dati tempestivi nelle previsioni fornisce intuizioni preziose che possono informare migliori decisioni di trattamento e migliorare l'assistenza complessiva al paziente.