Il danno renale acuto (AKI) è una malattia comune che ha un’incidenza variabile dal 20% al 70% nei pazienti critici [1]. L’AKI è definito come una brusca riduzione della funzionalità renale che può avere conseguenze critiche per i pazienti. Uno dei maggiori problemi nel trattamento dell’AKI è la difficoltà nell’identificarlo in tempo. Studi e ricerche confermano che i medici potrebbero svolgere azioni compensative se potessero identificare in anticipo l’insorgenza di AKI; le complicazioni potrebbero essere ridotte e potrebbe essere possibile una guarigione completa. Il lavoro attuale ha come obiettivo primario lo sviluppo di un modello di apprendimento automatico in grado di supportare le decisioni dei medici ed essere in grado di fornire un punteggio di rischio AKI continuo per i pazienti ricoverati in qualsiasi unità di terapia intensiva (ICU). L’obiettivo secondario è costruire un’architettura basata su cloud che riceve, salva ed elabora i dati in entrata da vari dispositivi. Questa architettura consente di migliorare le previsioni del modello grazie alla possibilità di riqualificarlo utilizzando i dati archiviati direttamente sul cloud. L’attuale studio multicentrico retrospettivo utilizza i dati contenuti in un ampio set di dati di cartelle cliniche elettroniche sviluppate da Philips Healthcare, il database di ricerca collaborativa eICU [2]. Contiene oltre 200.000 ricoveri appartenenti a 140.000 pazienti ricoverati in qualsiasi tipo di terapia intensiva tra il 2014 e il 2015 negli Stati Uniti. Dopo la fase di pre-elaborazione, un totale di 24.749 pazienti sono rimasti per l’analisi e solo l’1% di essi è stato associato a un episodio di AKI della creatinina oligurica durante la degenza. A partire da essi sono stati creati tre sottoinsiemi indipendenti: il 70% utilizzato per la formazione, il 20% per i test e il 10% per la validazione. Sono state utilizzate due diverse reti neurali con diversi strati convoluzionali per rilevare i modelli che caratterizzano l’inizio dell’AKI. La prima utilizza come input solo l’andamento della diuresi. La seconda rete prende invece come input una combinazione dell’andamento della produzione di urina e un parametro vitale come la frequenza cardiaca, la saturazione di O2, la frequenza respiratoria o la pressione sanguigna. I risultati raggiunti dal modello predittivo che utilizza solo l’Urine Output come input ha raggiunto punteggi promettenti ed è molto significativo per la ricerca proposta; l’aggiunta delle informazioni sui segni vitali non ha invece aumentato il risultato in modo sostanziale. Per l’implementazione della struttura basata su cloud sono stati utilizzati diversi servizi IBM. Su IBM App Foundry è stato realizzato un server Representational State Transfer (REST) in grado di ricevere i dati in entrata dai sensori e inoltrarli ad altri servizi IBM. IBM IoT Platform è stata utilizzata per monitorare i guasti di diversi sensori; invece, IBM Cloudant è stato utilizzato per archiviare i dati. L’architettura basata sui servizi IBM combina tutti i punti di forza di un’architettura cloud e potrebbe essere utilizzata per ridurre lo spazio di archiviazione utilizzato e tagliare diversi costi. [1] Lesione renale acuta nell’unità di terapia intensiva di Jose J. Zaragoza e Faustino J. RenteriaInviato: 3 novembre 2016Revisionato: 6 marzo 2017Pubblicato: 12 luglio 2017 DOI: 10.5772/intechopen.68348 [2] The eICU Collaborative Research Database, a database multicentrico disponibile gratuitamente per la ricerca in terapia intensiva. Pollard TJ, Johnson AEW, Raffa JD, Celi LA, Mark RG e Badawi O. Dati scientifici (2018). DOI: http://dx.doi.org/10.1038/sdata.2018.178. Disponibile su: https://www.nature.com/articles/sdata2018178
AUTORE: Dario Crosetto
RELATORI: Valentina Alice Cauda, Eros Gian Alessandro Pasero
CORSO DI LAUREA: Corso di laurea magistrale in Ingegneria Informatica
ANNO ACCADEMICO: 2020/2021