L’identificazione precoce della sepsi in triage: Confronto tra i modelli tradizionali di screening e i modelli di Apprendimento Automatico (Machine Learning).

Background: La sepsi è una disfunzione organica pericolosa per la vita causata da una risposta deregolata dell’ospite nei confronti di un’infezione. La sepsi, insieme allo shock settico, rappresenta un problema sanitario importante, con un alto tasso di mortalità e morbilità e rappresenta una reale minaccia per la vita e la salute di milioni di persone in tutto il mondo. Secondo le ultime stime, i decessi a livello globale per sepsi sono circa 11 milioni ogni anno. Il riconoscimento precoce del paziente settico, da parte dell’infermiere di triage, è un punto cardine della gestione della sepsi in quanto permette di anticipare i trattamenti e conseguentemente migliorare il tasso di sopravvivenza. Attualmente per il riconoscimento precoce vengono utilizzati strumenti di screening come i criteri SIRS, SOFA, qSOFA, NEWS e MEWS. Negli ultimi anni c’è stato un grande interesse da parte dei ricercatori per lo sviluppo di algoritmi di apprendimento automatico. L’ apprendimento automatico o machine learning, rappresenta un sottoinsieme dell’intelligenza artificiale che si occupa di creare sistemi che apprendono e/o migliorano le proprie performance in base ai dati che utilizzano. Obiettivo: Confrontare i tradizionali strumenti di screening rispetto ai modelli di apprendimento automatico esistenti, tramite una revisione degli studi pubblicati in letteratura, con l’obiettivo finale di individuare il sistema più valido per identificare precocemente la sepsi. Materiali e Metodi: È stata eseguita una revisione della letteratura effettuata consultando le banche dati scientifiche di PubMed e CINAHL; Sono stati identificati 133 studi, successivamente sottoposti a screening secondo i criteri di inclusione, selezionando un totale di 28 studi pubblicati negli ultimi dieci anni. Risultati: Dalla letteratura analizzata emerge che ciascun algoritmo di apprendimento automatico esaminato, ha un AUROC più elevato, dimostrando una maggiore sensibilità, specificità e valore predittivo negativo rispetto ai modelli tradizionali di screening nel predire la sepsi. Le forti prestazioni predittive dimostrate dall’apprendimento automatico sono capaci di predire la sepsi fino a 48 ore prima delle sue manifestazioni, questo permette di intervenire tempestivamente per migliorare gli esiti dei pazienti e ridurre la mortalità ospedaliera correlata alla sepsi. Discussione e conclusione: I risultati suggeriscono che i modelli di apprendimento automatico sono più efficaci nel prevedere la sepsi rispetto ai tradizionali strumenti di screening. L'implementazione di uno strumento di identificazione precoce della sepsi in pronto soccorso e la collaborazione del team sanitario possono portare ad una riduzione del tasso di mortalità intraospedaliera per sepsi, in quanto l’identificazione precoce ed il completamento del pacchetto di un’ora, raccomandato dalla Surviving Sepsis Campaign, garantiscono cure tempestive ed esiti migliori per i pazienti con sepsi. L’assistenza infermieristica rappresenta una componente fondamentale per il successo degli algoritmi implementati negli studi analizzati, nonostante ciò, sono necessari ulteriori studi per sviluppare nuovi modelli di apprendimento automatico capaci di supportare le decisioni dei professionisti sanitari.