Νέο μοντέλο μηχανικής μάθησης προβλέπει θνησιμότητα σε ασθενείς με σήψη
Η σήψη είναι μία από τις πιο κοινές και θανατηφόρες καταστάσεις που συναντώνται στις μονάδες εντατικής θεραπείας (ΜΕΘ), με την οξεία αναπνευστική ανεπάρκεια (ΟΑΑ) να αποτελεί μία από τις πιο κρίσιμες επιπλοκές της. Όταν αναπτύσσεται αναπνευστική ανεπάρκεια, οι ασθενείς συχνά βιώνουν σοβαρή υποξαιμία και πολλαπλή οργανική δυσλειτουργία σε σύντομο χρονικό διάστημα, γεγονός που αυξάνει δραματικά τον κίνδυνο θανάτου. Παρά τις προόδους στην εντατική θεραπεία, η ακριβής εκτίμηση της βραχυπρόθεσμης πρόγνωσης αμέσως μετά την εισαγωγή στη ΜΕΘ παραμένει μία μεγάλη πρόκληση στην κλινική πρακτική.
Η ανάπτυξη του μοντέλου
Μία πρόσφατη μελέτη, στην οποία συμμετείχαν ο Δρ. Jian Liu από το Νοσοκομείο Μητρότητας και Παιδιού της Επαρχίας Γκανσού στην Κίνα, ο Μηχανικός Zi Yang από το Πρώτο Νοσοκομείο του Πανεπιστημίου Λαντζόου, και ο Δρ. Hong Guo, ανέπτυξε και επικύρωσε ένα μοντέλο μηχανικής μάθησης για την πρόβλεψη της θνησιμότητας 28 ημερών σε ασθενείς με σήψη που παρουσιάζουν ΟΑΑ. Τα αποτελέσματα της μελέτης δημοσιεύθηκαν διαδικτυακά στο Journal of Intensive Medicine στις 10 Ιανουαρίου 2026.
Στρατηγική και μέθοδος
Σύμφωνα με τον Δρ. Liu, το μοντέλο σχεδιάστηκε ώστε να αξιοποιεί κλινικές πληροφορίες που είναι διαθέσιμες από τα πρώτα στάδια της εισαγωγής στη ΜΕΘ, επιτρέποντας στους κλινικούς ιατρούς να εντοπίζουν γρήγορα τους ασθενείς υψηλού κινδύνου και να βελτιστοποιούν τις στρατηγικές θεραπείας και την κατανομή των πόρων παρακολούθησης. Για την ανάπτυξη και εκπαίδευση του μοντέλου χρησιμοποιήθηκε η βάση δεδομένων Medical Information Mart for Intensive Care IV (MIMIC-IV, έκδοση 3.1), η οποία περιλάμβανε ενήλικες ασθενείς ΜΕΘ που πληρούσαν τα διαγνωστικά κριτήρια για σήψη και ΟΑΑ.
Αξιολόγηση και αποτελέσματα
Για να αξιολογηθεί η εφαρμοσιμότητα του μοντέλου σε διάφορα νοσοκομεία και πληθυσμούς ασθενών, πραγματοποιήθηκε ανεξάρτητη εξωτερική επικύρωση χρησιμοποιώντας δεδομένα από τη βάση δεδομένων eICU Collaborative Research Database (eICU-CRD, έκδοση 2.0). Αυτή η συνδυασμένη προσέγγιση ενίσχυσε τη συνάφεια των ευρημάτων με τις πραγματικές κλινικές ρυθμίσεις.
Μηχανισμοί και ερμηνεία
Κατά τη διαδικασία επιλογής μεταβλητών, οι υποψήφιοι προγνωστικοί παράγοντες προσδιορίστηκαν αρχικά βάσει διεθνών κατευθυντήριων γραμμών για τη σήψη και της κλινικής συναίνεσης των ειδικών. Στη συνέχεια, εφαρμόστηκε ο αλγόριθμος επιλογής χαρακτηριστικών Boruta, σε συνδυασμό με ανάλυση πολυκολληλίας, για να προσδιοριστεί ένα τελικό σύνολο 20 βασικών προγνωστικών χαρακτηριστικών. Όλες οι επιλεγμένες μεταβλητές ήταν διαθέσιμες εντός των πρώτων 24 ωρών εισαγωγής στη ΜΕΘ και αντικατόπτριζαν πολλές κλινικές διαστάσεις, όπως η κατάσταση οξυγόνωσης, η λειτουργία των οργάνων, οι μεταβολικές παράμετροι και η σοβαρότητα της νόσου.
Συμπεράσματα και προοπτικές
Η ομάδα ερευνητών διαπίστωσε ότι το μοντέλο μπορεί να ενσωματωθεί περαιτέρω σε εργαλεία εκτίμησης κινδύνου που χρησιμοποιούνται στο κρεβάτι ή διαδικτυακά, προκειμένου να υποστηρίξει την πρώιμη στρατηγική κατάταξης κινδύνου σε ασθενείς με σήψη που επιπλέκονται από ΟΑΑ. Συνολικά, η μελέτη αυτή αποδεικνύει τη δυνατότητα των ερμηνεύσιμων προσεγγίσεων μηχανικής μάθησης στην ιατρική εντατικής θεραπείας, προσφέροντας ελπίδες για καλύτερη διαχείριση των ασθενών.
