Machine Learning per predire l’infezione da C. difficile

Gli interventi per prevenire e gestire meglio l’infezione da Clostridioides difficile (CDI) possono risultare fondamentali nel ridurre significativamente morbilità, mortalità e spesa sanitaria.

È stato così disegnato uno studio retrospettivo che utilizza i dati delle cartelle cliniche elettroniche di oltre 700 ospedali degli Stati Uniti. Dapprima un sottoinsieme di ospedali è stato utilizzato per sviluppare algoritmi di apprendimento automatico (MLA); i restanti centri, invece, sono serviti come set di test esterno. Sono stati quindi valutati tre MLA: alberi decisionali a gradiente potenziato (XGBoost), rete neurale Deep Long Short Term Memory e rete neurale convoluzionale unidimensionale. Le prestazioni degli algoritmi sono state valutate con l’area sotto la curva caratteristica operativa del ricevitore (AUROC), la sensibilità, la specificità, gli odds ratio diagnostici e i rapporti di verosimiglianza.

Il set di dati di sviluppo conteneva 13.664.840 incontri di pazienti ricoverati con 80.046 incontri di CDI; mentre il dataset esterno conteneva 1.149.088 incontri di pazienti ricoverati con 7.107 incontri di CDI. Gli AUROC più alti sono stati raggiunti per XGB, rete neurale Deep Long Short Term Memory e rete neurale convoluzionale unidimensionale astenendosi, però, dall’uso di tecniche di addestramento specializzate. XGBoost ha ottenuto il massimo AUROC.

Quindi, gli MLA possono prevedere future infezioni da CDI nei pazienti ospedalizzati utilizzando solo 6 ore di dati. Nella pratica clinica, uno strumento basato sull’apprendimento automatico può supportare misure profilattiche, diagnosi precoci e attuazione più tempestiva delle misure di controllo delle infezioni, diventando importantissimo nella gestione del paziente.

Fonte: American Journal of Infection Control – https://doi.org/10.1016/j.ajic.2021.11.012

IT-NON-06768-W-04/2024