Notizia

Dec 04, 2023

Confronto degli algoritmi di addestramento della rete neurale artificiale per prevedere la durata della degenza nei pazienti ospedalizzati con COVID

BMC Infectious Diseases

BMC Infectious Diseases volume 22, numero articolo: 923 (2022) Citare questo articolo

1178 accessi

1 Citazioni

1 Altmetrico

Dettagli sulle metriche

La diffusione esponenziale della malattia da coronavirus 2019 (COVID-19) causa oneri economici inaspettati ai sistemi sanitari mondiali con gravi carenze di risorse ospedaliere (letti, personale, attrezzature). Gestire la durata del ricovero dei pazienti (LOS) per ottimizzare l'assistenza clinica e l'utilizzo delle risorse ospedaliere è molto impegnativo. La proiezione della domanda futura richiede una previsione affidabile della LOS dei pazienti, che può essere utile per intraprendere azioni appropriate. Pertanto, lo scopo di questa ricerca è quello di sviluppare e convalidare modelli utilizzando un algoritmo di rete neurale artificiale percettrone multistrato (MLP-ANN) basato sul miglior algoritmo di addestramento per prevedere la LOS ospedaliera dei pazienti COVID-19.

Utilizzando un registro monocentrico, sono stati analizzati i record di 1225 casi ospedalizzati per COVID-19 confermati in laboratorio dal 9 febbraio 2020 al 20 dicembre 2020. In questo studio, in primo luogo, è stata sviluppata la tecnica del coefficiente di correlazione per determinare le variabili più significative come input dei modelli ANN. Nella costruzione del modello sono state utilizzate solo variabili con un coefficiente di correlazione con un valore P <0,2. Successivamente, i modelli di previsione sono stati sviluppati sulla base di 12 algoritmi di addestramento in base a set di dati di funzionalità completi e selezionati (90% dell'addestramento, di cui il 10% utilizzato per la convalida del modello). Successivamente, è stato utilizzato l'errore quadratico medio (RMSE) per valutare le prestazioni dei modelli al fine di selezionare il miglior algoritmo di addestramento della ANN. Infine, per la validazione esterna dei modelli sono stati utilizzati un totale di 343 pazienti.

Dopo aver implementato la selezione delle caratteristiche, sono state determinate 20 variabili in totale come fattori che contribuiscono alla LOS dei pazienti COVID-19 al fine di costruire i modelli. Gli esperimenti condotti hanno indicato che la prestazione migliore appartiene a una rete neurale con 20 e 10 neuroni nello strato nascosto dell'algoritmo di allenamento della regolarizzazione bayesiana (BR) per caratteristiche intere e selezionate con un RMSE di 1.6213 e 2.2332, rispettivamente.

I modelli basati su MLP-ANN possono prevedere in modo affidabile la LOS nei pazienti ospedalizzati con COVID-19 utilizzando dati prontamente disponibili al momento del ricovero. A questo proposito, i modelli sviluppati nel nostro studio possono aiutare i sistemi sanitari ad allocare in modo ottimale le limitate risorse ospedaliere e a prendere decisioni informate e basate sull’evidenza.

Rapporti di revisione tra pari

La malattia da coronavirus 2019 (COVID-19) è un’infezione virale molto contagiosa che finora ha continuato a diffondersi rapidamente in tutto il mondo ed è diventata un grave problema sanitario globale. La rapida epidemia di COVID-19 ha esposto le organizzazioni sanitarie alla carenza di risorse ospedaliere e all’esaurimento degli operatori sanitari in prima linea [1,2,3,4,5,6]. Finora, le manifestazioni cliniche hanno mostrato una sostanziale eterogeneità tra i diversi pazienti, che vanno da sintomi asintomatici o lievi simil-influenzali a gravi malattie respiratorie e polmonite, ricovero in unità di terapia intensiva (ICU), insufficienza multiorgano (MOF) e infine morte [7 ]. Gli elevati tassi di trasmissione di COVID-19, l’emergere di nuove varianti e modelli clinici sconosciuti esercitano un’enorme pressione sui sistemi sanitari. Di conseguenza, si verifica un drastico aumento del numero di pazienti che necessitano di cure mediche e un’impennata dei ricoveri ospedalieri [8, 9]. Questo sovraffollamento solleva serie preoccupazioni riguardo al potenziale impatto della diffusione del virus, in particolare sui sistemi sanitari con gravi limitazioni delle risorse nei paesi a basso e medio reddito (LMIC) [10, 11]. Durante questa crisi pandemica, per rendere l'assistenza sanitaria più accessibile e prevenire il sovraccarico degli ospedali, è fondamentale adottare interventi oggettivi e basati sull'evidenza per l'uso efficace delle strutture mediche disponibili negli ospedali (ad esempio, letti ospedalieri e ventilatori respiratori, tra gli altri). [12].