Applicazione dell'informatica in Sanità Pubblica per monitorare e prevenire le Infezioni Correlate all'assistenza e i relativi outcome nelle Unità di Terapia Intensiva

Early identifying patients whose clinical conditions and personal characteristics could led to a higher risk of adverse outcomes in Intensive Care Unit (ICU), still represent a challenge in Public Health. Patients admitted to ICUs had a worse clinical prognosis and prolonged hospital stays, suggesting the need of novel approaches to monitor their disease severity and to early predict health deterioration. To do this, several early warning scores have been proposed as useful predictors of health conditions or illness severity of ICU patients. In clinical practice, the Simplified Acute Physiology Score (SAPS) II represent the most widely used instrument for the prediction of patients’ prognosis, risk of Healthcare-associated infections (HAIs), sepsis, and mortality. Although these conventional statistical approaches are widely used in clinical practice, recent advanced in Health Informatics have proposed more accurate models to identify patients or subgroups of patients who more likely to die or to be affected by HAI during their stay in ICU. Recent line of evidence suggested that Machine Learning (ML) algorithms could enrich conventional statistical approaches, especially in terms of prediction of ICU prognosis, clinical deterioration and risk assessment. Here, the large amount of healthcare data collected during the seven editions of the ‘Italian Nosocomial Infections Surveillance in Intensive Care Units” SPIN-UTI project, established by the Italian Study Group of Hospital Hygiene (GISIO) of the Italian Society of Hygiene, Preventive Medicine and Public Health (SItI), have made possible the application of ML methods for predicting specific adverse outcomes, for patient risk stratification and for improving quality of care. For these reasons, firstly was evaluated the performance of the SAPS II to predict the risk of adverse outcome in patients admitted to ICU using conventional statistical approach. Next, a Support Vector Machines (SVM) algorithm was developed and tested, considering SAPS II in combination with additional characteristics at ICU admission, aiming to further improve the predictive performance.

Identificare precocemente i pazienti le cui condizioni cliniche e le caratteristiche personali potrebbero portare a un rischio più elevato di outcome avversi nelle Unità di terapia intensiva (UTI), rappresenta ancora una sfida per la Salute Pubblica. I pazienti ricoverati in UTI hanno una prognosi clinica peggiore e degenze ospedaliere prolungate, suggerendo la necessità di approcci innovativi per prevedere precocemente il loro deterioramento clinico. A tale scopo, sono stati proposti diversi punteggi di allerta precoce come utili predittori delle condizioni di salute o della gravità della malattia dei pazienti in UTI. Tra questi, il Simplified Acute Physiology Score (SAPS) II rappresenta lo strumento più utilizzato per la previsione della prognosi dei pazienti, nonché del rischio di Infezioni Correlate all'Assistenza (ICA), sepsi e morte. Sebbene gli approcci statistici convenzionali siano ampiamente utilizzati nella pratica clinica, recenti progressi dell’Informatica Sanitaria hanno proposto nuovi modelli più accurati per identificare pazienti o sottogruppi di pazienti che hanno maggiori probabilità di morire o di essere affetti da ICA durante la loro degenza in UTI. Recenti studi suggeriscono che gli algoritmi di Machine Learning (ML) potrebbero superare gli approcci statistici convenzionali, specialmente in termini di predizione della prognosi, deterioramento clinico e valutazione del rischio dei pazienti in UTI. Infatti, la grande quantità di dati sanitari raccolti durante le sette edizioni del progetto SPIN-UTI (Sorveglianza attiva Prospettica delle Infezioni Nosocomiali nelle Unità di Terapia Intensiva) del Gruppo Italiano di Studio di Igiene Ospedaliera (GISIO) della Società Italiana di Igiene, Medicina Preventiva e Sanità Pubblica (SItI), ha reso possibile l'applicazione di metodi di ML per la previsione di outcome avversi, per la stratificazione del rischio dei pazienti in UTI e per il miglioramento della qualità delle cure. Pertanto, in primo luogo è stata valutata la capacità del SAPS II di predire il rischio di outcome avversi in pazienti ricoverati in UTI, utilizzando metodi statistici convenzionali. Successivamente, è stato sviluppato e testato un algoritmo Support Vector Machines (SVM), considerando il SAPS II in combinazione con caratteristiche aggiuntive del paziente al momento del ricovero in UTI, con l'obiettivo di migliorare le prestazioni predittive.