Data science e machine learning per l'individuazione del tempo ottimale per svezzare un paziente dal ventilatore meccanico = Data science and machine learning to determine the optimal time to wean a patient from mechanical ventilation

La ventilazione meccanica è la principale strategia terapeutica impiegata per fornire supporto alla funzione respiratoria dei pazienti incapaci di respirare autonomamente. Il numero dei pazienti ricoverati in terapia intensiva (ICU) che necessitano di ventilazione meccanica invasiva ha avuto un andamento crescente negli ultimi anni, a causa della sempre più elevata vita media della popolazione, e ha raggiunto un picco nell’anno 2020 in seguito alla diffusione del nuovo Coronavirus (SARS-CoV-2). Nella cura dei pazienti intubati in condizioni critiche lo svezzamento dal ventilatore meccanico è un elemento essenziale e universale. È cruciale, infatti, determinare il momento appropriato per svezzare un paziente dalla ventilazione meccanica invasiva. Ogni nuovo giorno di ventilazione, senza che avvenga un’estubazione con successo, è associato a una mortalità progressivamente crescente. Inoltre, una ventilazione prolungata aumenta la probabilità di contrarre infezioni polmonari associate al ventilatore, i costi ospedalieri e le risorse dell'unità di terapia intensiva utilizzate. Emerge, dunque, l’idea di sviluppare un sistema CAD (computer-aided diagnosis) per supportare il medico nell’individuazione del momento ottimale per svezzare il paziente dal ventilatore meccanico. Il progetto di tesi si pone, quindi, l’obiettivo di indagare i modelli di classificazione adatti al problema clinico in questione, esplorando gli esistenti studi. A questo scopo, è necessario valutare le variabili che descrivono al meglio le condizioni cliniche del paziente da svezzare, usufruendo del database dedicato alla medicina intensiva MIMIC-III (Medical Information Mart for Intensive Care). La prima fase della realizzazione del lavoro di tesi è stata la costruzione del dataset e conseguente data cleaning, passando per la selezione dei soggetti, la determinazione della classe a cui appartengono (estubazione fallita / estubazione riuscita) arrivando all'estrazione delle variabili caratterizzanti ogni evento di ventilazione dei pazienti. In una fase successiva, è stata effettuata una suddivisione del dataset creando, in particolare, un training set bilanciato e rappresentativo dell'intero dataset. Quest'ultimo è stato utile alla costruzione di due tipologie di classificatore, le Reti Neurali e il Light Gradient Boosting Machine. Per la prima tipologia di modello è stata effettuata una fase di allenamento analizzando diverse architetture, un confronto e valutazione di queste e infine, una feature selection combinata all'ottimizzazione della struttura della rete neurale, tramite un algoritmo genetico. Affrontando la costruzione del LightGBM, è stato effettuato un allenamento del modello a seguito del tuning degli iperparametri, una valutazione e interpretazione dei risultati del modello tramite importanza e shap value e infine, una forward feature selection.