Intelligenza artificiale e weaning respiratorio in UTI: lo studio AI-BREATH

Introduzione. Il weaning dalla ventilazione meccanica rappresenta uno dei momenti decisionali più critici nella gestione del paziente in terapia intensiva. Lo spontaneous breathing trial (SBT) costituisce il test di riferimento per valutare la tolleranza allo svezzamento. L’intelligenza artificiale e le reti neurali artificiali (ANN) offrono l’opportunità di sfruttare la mole di dati clinici e respiratori ad alta frequenza costantemente prodotti in una terapia intensiva, integrandoli e cogliendo relazioni non lineari fra gli stessi. Obiettivo. Valutare la capacità di modelli di intelligenza artificiale addestrati su dati fisiologici e ventilatori di predire l’esito dello spontaneous breathing trial (SBT). Metodi. Abbiamo condotto uno studio osservazionale retrospettivo utilizzando dati relativi a pazienti ricoverati in terapia intensiva tra settembre 2023 e gennaio 2025. I dati clinici e ventilatori di 747 pazienti tracciabili ed una quota di pazienti non tracciabili sono stati processati per ottenere un dataset uniforme finale. Gli SBT sono stati identificati mediante criteri ventilatori e temporali standardizzati. Il fallimento dello SBT è stato definito sulla base di criteri temporali (durata <30 minuti), ventilatori (passaggio a modalità controllata) e fisiologici (Rapid Shallow Breathing Index ripetutamente >105 atti/min/lt). Abbiamo selezionato 10 variabili fisiologiche e ventilatorie e sviluppato modelli di FeedForward Neural Network (FFNN), utilizzando sia direttamente le variabili, sia rappresentazioni latenti ottenute tramite autoencoder (AE), applicate a finestre temporali estese e ai 15 minuti precedenti lo SBT. Risultati: Sono stati identificati 1.234 SBT. I modelli FFNN basati su variabili a priori hanno mostrato una capacità discriminativa moderata (AUC~0,66). L’uso di AE su finestra temporale di 15 minuti pre-SBT ha migliorato significativamente le prestazioni (AUC~0,80), con valori rilevanti di accuratezza e precisione, adeguati alla predizione dell’esito dello SBT. Discussione: Le metodiche di machine learning dimostrano la capacità di catturare relazioni non lineari tra variabili fisiologiche, migliorando la qualità informazionale rispetto all’uso diretto delle sole variabili non elaborate. Il contenuto informativo dei 15 minuti precedenti lo SBT emerge come clinicamente rilevante, aprendo a possibili applicazioni di supporto decisionale in tempo reale. I principali limiti includono il disegno retrospettivo e la limitata generalizzabilità dei risultati, che richiedono validazioni prospettiche multicentriche con protocolli standardizzati.