Nuovi metodi per monitorare la pressione intracranica

L'infortunio cranico traumatico (TBI) succede quando la testa prende un colpo forte, causando danni al cervello. È una delle principali cause di morte e disabilità in tutto il mondo. Nel 2019, ci sono state circa 223.135 ospedalizzazioni legate al TBI, e nel 2021 ci sono stati circa 69.473 decessi collegati a questo infortunio. Un problema serio che può verificarsi dopo un TBI è l'aumento della pressione intracranica (ICP), cioè la pressione dentro il cranio. Quando l’ICP di una persona sale troppo, può diventare pericoloso e anche letale.

Un’ICP normale per un adulto a riposo di solito va tra i 7 e i 15 millimetri di mercurio (mmHg). Quando l’ICP supera i 22 mmHg, si parla di Ipertensione intracranica. Questo può succedere per vari motivi, come un accumulo di liquidi nel cervello, tumori o sanguinamenti. Vista la gravità dell’ICP alta, è molto importante monitorarla nei pazienti che hanno subito un TBI. Quando l’ICP è alta, potrebbero essere necessari trattamenti rapidi come il drenaggio del Liquido cerebrospinale.

Attualmente, il modo più comune per misurare l’ICP in modo accurato è tramite un dispositivo chiamato catetere intraventricolare (IVC). Anche se è affidabile, implica l'inserimento di una sonda nel cervello attraverso un buco praticato alla base del cranio. Questo è invasivo, significa che comporta rischi come infezioni (5-14%) e sanguinamenti (5-7%). Inoltre, la procedura può durare a lungo, portando a ritardi nel trattamento, che possono peggiorare la condizione di un paziente.

Esistono anche altri dispositivi che possono misurare l’ICP in modo meno invasivo, come i bulloni subaracnoidei o i dispositivi Doppler transcraniali. Tuttavia, queste opzioni non sono sempre così accurate o non permettono un monitoraggio continuo dell’ICP. Questo suggerisce che serve ancora un modo meno invasivo e continuo per monitorare l’ICP.

#La relazione tra ICP e altri segnali

La ricerca indica che il sistema vascolare gioca un ruolo nel regolare l’ICP. Cambiamenti nei segnali elettrici, nella pressione sanguigna e nei livelli di ossigeno nel sangue sono stati collegati ad eventi che accadono dentro il cervello. Quando l’ICP è elevata, può influenzare il flusso sanguigno e come il cervello reagisce. Questo ci fa pensare che potrebbe essere possibile capire quanto alta è l’ICP monitorando segnali dall'esterno del cranio, come la pressione arteriosa (ABP), la fotopletismografia (PPG) e l'elettrocardiografia (ECG).

Utilizzando questi segnali esterni, i medici potrebbero controllare l’ICP di un paziente in modo meno invasivo e più conveniente. Questo metodo potrebbe facilmente integrarsi nelle pratiche ospedaliere attuali e aiutare a ridurre i rischi associati a tecniche invasive.

#Lavori precedenti nella previsione dell'ICP

Alcuni studi hanno esaminato l'uso di simulazioni basate sulla fisica e modelli statistici per prevedere l’ICP. Tuttavia, non sono stati fatti molti lavori con modelli basati sui dati, che è ciò su cui si concentra questo studio. L'obiettivo qui è usare tecniche di machine learning tradizionali e deep learning per prevedere l’ICP in tempo reale usando dati ad alta frequenza da ABP, PPG ed ECG.

Questa ricerca adotta un nuovo approccio usando solo segnali esterni per prevedere l’ICP. Studi precedenti spesso si basavano su misurazioni reali dell’ICP come input per prevedere i cambiamenti dell’ICP, il che non è lo stesso di ciò che stiamo cercando di raggiungere. La novità sta nell'usare questi segnali non invasivi per fornire un quadro dell’ICP senza doverla misurare direttamente dall'interno del cranio.

#Comprendere i dati utilizzati

I dati per questo studio provengono dal database MIMIC-III, che contiene informazioni sanitarie di oltre 46.500 pazienti. Questo database include vari record medici, come dati demografici dei pazienti, dettagli sul trattamento e segni vitali durante il loro soggiorno in ospedale. La ragione per cui è stato scelto questo database è che ha registrazioni di forme d'onda fisiologiche ad alta frequenza che sono cruciali per prevedere l’ICP.

Per l'analisi, sono stati inclusi solo i pazienti che avevano registrazioni di ECG, PPG, ABP e ICP per almeno cinque minuti. Dopo aver verificato che i dati fossero di buona qualità, i dati delle forme d'onda rilevanti sono stati suddivisi in segmenti di tempo più piccoli per prevenire la perdita di informazioni nel processo di previsione. Ogni segmento di dati ha permesso di valutare se l’ICP fosse elevata per più di cinque minuti, poiché questo potrebbe indicare seri rischi per la salute.

#Scegliere il giusto intervallo di tempo per le previsioni

Per garantire che l'analisi sia il più possibile vicina al tempo reale, i ricercatori hanno scelto un intervallo di tempo di 10 secondi per le previsioni. Sono state testate diverse dimensioni dell'intervallo per vedere come avrebbero influenzato le previsioni. I risultati hanno mostrato una debole correlazione positiva tra i segnali esterni e l’ICP, il che ha giustificato l'uso dell'intervallo di 10 secondi. Questo significa che anche intervalli di tempo brevi possono fornire informazioni utili per prevedere l’ICP.

#Selezione e test dei modelli

In questo studio, sono stati utilizzati sei diversi modelli di deep learning, inclusi tipi spesso usati per compiti di previsione nel tempo. Questi modelli sono stati testati singolarmente per vedere quanto bene potessero prevedere l’ICP usando i segnali esterni.

Sono stati condotti test iniziali per ciascun paziente singolarmente. Questo era importante per assicurarsi che i modelli potessero prevedere l’ICP per ogni paziente in modo efficace senza considerare la variabilità tra diversi pazienti. I risultati hanno permesso ai ricercatori di scegliere i migliori modelli per ulteriori test.

Successivamente, sono stati condotti test usando dati di più pazienti per vedere quanto fossero generalizzabili i modelli. Questo significa controllare se modelli addestrati su certi pazienti potessero comunque fare previsioni accurate per altri. Facendo questo, l'obiettivo era garantire che i modelli potessero funzionare bene in un contesto clinico reale.

#Risultati chiave dello studio

I risultati hanno mostrato che un certo modello di deep learning, chiamato Rete Convoluzionale Temporale (TCN), ha superato gli altri nella previsione dell’ICP. Quando testato con dati di più pazienti, la TCN ha mostrato risultati promettenti. Gli errori di previsione medi erano più bassi rispetto agli altri modelli, indicando che la TCN è probabilmente più affidabile per applicazioni pratiche.

Questo studio dimostra che è fattibile inferire l’ICP da forme d'onda esterne. Questo ha implicazioni per la pratica clinica, poiché suggerisce che il monitoraggio continuo dell’ICP potrebbe essere ottenuto senza la necessità di procedure invasive.

#Sfide e direzioni future

Nonostante i risultati incoraggianti, sono state notate alcune limitazioni nello studio. Il numero ridotto di pazienti (10) potrebbe limitare la capacità di applicare i risultati in modo ampio. Inoltre, la soggettività nella selezione dei dati potrebbe influenzare l'affidabilità del modello. La mancanza di validazione esterna significa anche che sono necessari ulteriori test per confermare i metodi sviluppati.

La ricerca futura si concentrerà sull'inclusione di più pazienti per migliorare l'affidabilità e la generalizzabilità del modello. I test con diversi set di dati aiuteranno a valutare l'efficacia dei metodi al di fuori del database iniziale. Inoltre, saranno esaminati algoritmi aggiuntivi per migliorare l'accuratezza delle previsioni.

#Conclusione

In conclusione, la ricerca evidenzia il potenziale dei metodi non invasivi per prevedere l’ICP utilizzando segnali fisiologici esterni. Applicando tecniche avanzate di machine learning, lo studio apre nuove strade per monitorare la salute del cervello in un modo più amichevole per il paziente. L'esplorazione e la validazione continua aiuteranno a garantire che questi metodi possano essere utilizzati efficacemente in contesti clinici per beneficiare i pazienti che si stanno riprendendo da infortuni cranici traumatici.