Per trasfusione massiva si intende l’apporto di 10 o più unità di sangue intero e nell’ambito della terapia d’emergenza per i traumatizzati gravi; questa procedura rappresenta una soluzione per il recupero del paziente con emorragie critiche e gravi coagulopatie. Un terzo dei pazienti traumatizzati gravemente, muore a causa del dissanguamento: si è riscontrato in diversi casi che un intervento celere e specifico nel ristabilire le quantità ematiche è in grado di aiutare la rianimazione ed il recupero del paziente[13]. Come in ogni aspetto delle terapie nei reparti d’emergenza l’individuazione delle strategie di intervento più corrette deve essere fatto in maniera rapida ma accurata. Per cercare di prevedere il rischio di trasfusioni massive in pratica clinica si utilizzano degli indici basati su parametri fisiologici misurabili nel paziente nella prima ora di ingresso in ospedale. Utilizzando un dataset proveniente dal Registro Intraospedaliero multiregionale Traumi Gravi dell’ospedale di Mestre è possibile utilizzare tecniche di machine learning e data mining per implementare un modello di predizione di trasfusioni massive e confrontare il predittore ottenuto con gli indici utilizzati maggiormente nella pratica clinica. Il predittore con tecniche data mining è stato creato utilizzando un software per l’implementazione di alberi decisionali, utilizzando vari training set con parametri diversi allo scopo di trovare il classificatore più accurato. Dalle analisi svolte si è ottenuto un predittore comparabile prestazionalmente con il più usato indice di previsione MT in pratica clinica, in grado di individuare con la stessa accuratezza i casi di trasfusioni massive analizzate in un set di validazione

Predizione della trasfusione massiva in pazienti affetti da lesioni traumatiche gravi

Panizzoni, Giulio
2011/2012

Abstract

Per trasfusione massiva si intende l’apporto di 10 o più unità di sangue intero e nell’ambito della terapia d’emergenza per i traumatizzati gravi; questa procedura rappresenta una soluzione per il recupero del paziente con emorragie critiche e gravi coagulopatie. Un terzo dei pazienti traumatizzati gravemente, muore a causa del dissanguamento: si è riscontrato in diversi casi che un intervento celere e specifico nel ristabilire le quantità ematiche è in grado di aiutare la rianimazione ed il recupero del paziente[13]. Come in ogni aspetto delle terapie nei reparti d’emergenza l’individuazione delle strategie di intervento più corrette deve essere fatto in maniera rapida ma accurata. Per cercare di prevedere il rischio di trasfusioni massive in pratica clinica si utilizzano degli indici basati su parametri fisiologici misurabili nel paziente nella prima ora di ingresso in ospedale. Utilizzando un dataset proveniente dal Registro Intraospedaliero multiregionale Traumi Gravi dell’ospedale di Mestre è possibile utilizzare tecniche di machine learning e data mining per implementare un modello di predizione di trasfusioni massive e confrontare il predittore ottenuto con gli indici utilizzati maggiormente nella pratica clinica. Il predittore con tecniche data mining è stato creato utilizzando un software per l’implementazione di alberi decisionali, utilizzando vari training set con parametri diversi allo scopo di trovare il classificatore più accurato. Dalle analisi svolte si è ottenuto un predittore comparabile prestazionalmente con il più usato indice di previsione MT in pratica clinica, in grado di individuare con la stessa accuratezza i casi di trasfusioni massive analizzate in un set di validazione
2011-07-12
87
trasfusione massiva, machine learning, registro traumi, data mining, machine learning, C5.0, alberi di decisione
File in questo prodotto:
File Dimensione Formato  
tesi_panizzoni_601898.pdf

accesso aperto

Dimensione 1.28 MB
Formato Adobe PDF
1.28 MB Adobe PDF Visualizza/Apri

The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12608/14778