Costruzione di un sistema per la predizione dell'outcome dello svezzamento di pazienti sottoposti a ventilazione meccanica invasiva tramite Long Short-Term Memory Neural Network = Development of a system for predicting weaning outcome in patients undergoing invasive mechanical ventilation using Long Short-Term Memory Neural Network

La ventilazione meccanica è una tecnica che si caratterizza come principale strumento clinico nel supporto di pazienti affetti da insufficienza respiratoria, sia di severità acuta che lieve. A causa della passata epidemia da SARS-CoV-2, il focus a queste tecniche è stato accentuato, in quanto i pazienti in terapia intensiva (ICU) sono aumentati. Il momento critico legato alla ventilazione meccanica è rappresentato dalle tempistiche dello svezzamento del paziente dal ventilatore. Lo weaning o svezzamento comprende tutti gli step e le conseguenti valutazioni cliniche che conducono al distacco di un paziente dal ventilatore e conseguente ripristino della funzione respiratoria. Risulta essere molto importante la scelta del momento di svezzamento di un paziente, in quanto uno svezzamento precoce può portare ad un fallimento dell’estubazione e allo stesso modo uno svezzamento tardivo aumento rischi associati alle complicazioni da ventilazione come la contrazione di infezioni nosocomiali quali la VAP (polmonite associata al ventilatore automatico). L’indice di mortalità attribuito a questa patologia risulta essere del 10 %, con una maggiore incidenza per i pazienti di sesso maschile. Il lavoro proposto risulta essere la continuazione di due tesi precedenti. La tesi si pone l’obiettivo di sviluppare uno strumento di tipo CAD (Computer-aided design), ovvero di supporto decisionale al medico rispetto al momento ottimale in cui poter svezzare il paziente. A tal proposito si sviluppa un nuovo approccio, basato sulle analisi di sequenze temporali associate a variabili clinicamente rilevanti per il paziente intubato. Si rivolge l’attenzione al mondo del deep learning, in particolare alle reti neurali LSTM (Long Short-Term Memory), che rappresentano delle reti a lunga o breve memoria. Una rete neurale LSTM è un tipo di rete neurale ricorrente (RNN) progettata per gestire problemi in cui è importante considerare e memorizzare informazioni a lungo termine. È stata introdotta per affrontare le limitazioni delle RNN tradizionali nel catturare dipendenze a lungo termine all'interno dei dati sequenziali. Le reti LSTM sono composte da unità specializzate che sono in grado di mantenere e aggiornare uno stato di memoria interno nel corso delle iterazioni attraverso la sequenza di dati. La rete viene addestrata sul dataset MIMIC-IV, Medical Information Mart for Intensive Care, che contiene dati relativi a circa 76000 ammissioni in ICU, provenienti dalla unità di terapia intensiva Beth Israel Deaconess Medical Center (BIDMC). I dati vengono raccolti in modo retrospettivo, infatti sono datati fra il 2008 e il 2019 e sono in conformità alla disposizione Safe Harbor dell'Health Insurance Portability and Accountability Act (HIPAA). Il lavoro proposto inizia con una fase di preprocessing e data cleaning dei dati forniti. Per estrarre le variabili si cerca di effettuare un campionamento uniforme. La rete viene addestrata come classificatore e individua un outcome in base alle sequenze temporali che ha in ingresso. Per ogni paziente vengono estratte le stesse variabili e con metodi di feature selection si individua il sottoinsieme migliore in base ai risultati della rete. L’ outcome della rete discrimina pazienti rispetto allo stato di estubazione riuscita (“ES”, extubation success) ed estubazione fallita (“EF”, extubation failure).