Array
(
[body] => Array
(
[#theme] => field
[#weight] => 0
[#title] => Body
[#access] => 1
[#label_display] => hidden
[#view_mode] => teaser
[#language] => und
[#field_name] => body
[#field_type] => text_with_summary
[#field_translatable] => 0
[#entity_type] => node
[#bundle] => box_lancio_news
[#object] => stdClass Object
(
[vid] => 373618
[uid] => 13
[title] => Previsione della mortalità in terapia intensiva Covid-19 grazie a un approccio machine learning
[log] =>
[status] => 1
[comment] => 0
[promote] => 1
[sticky] => 0
[nid] => 81534
[type] => box_lancio_news
[language] => it
[created] => 1632405838
[changed] => 1636631330
[tnid] => 0
[translate] => 0
[revision_timestamp] => 1636631330
[revision_uid] => 13
[body] => Array
(
[und] => Array
(
[0] => Array
(
[value] =>
Il recente studio pubblicato dalla rivista «Journal of Anesthesia, Analgesia and Critical Care» dal titolo Access COVID-19 ICU mortality prediction: a machine learning approach using SuperLearner algorithm, coordinato da Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork, e da Dario Gregori, direttore dell’Unità di Biostatistica epidemiologia e sanità pubblica del Dipartimento di Scienze cardio-toraco-vascolari e sanità pubblica dell’Università di Padova, oltre a sollevare importanti riflessioni sull’indagine dei fattori predittivi di mortalità in terapia intensiva in pazienti affetti da Covid-19, apre lo sguardo sull’importanza di nuove tecniche di analisi di dati clinici tramite Machine Learning, una delle nuove frontiere di formazione per medici e operatori sanitari.
Il Machine Learning (ML o apprendimento automatico) è uno dei principali rami dell’intelligenza artificiale ed è una tecnologia fondamentale per la gestione e la comprensione dell’enorme quantità di dati, sanitari e non, che produciamo quotidianamente. L’uso del ML in medicina permette l’identificazione più rapida e precisa dei meccanismi che sono alla base di una malattia o della sua degenerazione, ma anche per definire una terapia in base alle caratteristiche personali del paziente.
La ricerca, che mette in luce l’età avanzata dei pazienti come uno dei predittori di maggiore mortalità per Covid-19 in terapia intensiva, è il risultato di uno sforzo congiunto tra una rete di anestesisti, rianimatori e biostatistici.
«È importante sottolineare come la consapevolezza della necessità di far rete stia diventando il nuovo modus operandi per far fronte anche alle sfide delle emergenze epidemiologiche - spiega il professor Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork -. Nemmeno le Unità di terapia intensiva sono più un’isola all’interno degli ospedali. Mai come in questi mesi la loro funzione e operatività è stata al centro dell’attenzione pubblica. Le 25 Unità Operative del Veneto lavorano già in rete per raccogliere i dati di ogni ricoverato. Per questo studio abbiamo chiesto il coinvolgimento dei colleghi di Milano e aggiungere la visione di una realtà extra regionale ma ugualmente impegnata sul fronte del Covid-19. Ma soprattutto, la rete che ci ha visto coinvolti in modo innovativo e che ci permette di avere una importante chiave di lettura, è quella creata all’interno del nostro Ateneo tra l’istituto di Anestesia e Rianimazione e l’Unità di Biostatistica del prof. Gregori».
Il lavoro mirava a sviluppare uno strumento, attraverso un approccio di Machine Learning, capace di identificare i ricoverati per Covid-19 più a rischio di eventi fatali. La relazione studiata, quindi, è stata quella tra le caratteristiche dei pazienti e i casi di mortalità, prendendo in esame età, genere, punteggio di valutazione dell'insufficienza d'organo, necessità di ventilazione meccanica invasiva, ventilazione meccanica non invasiva, ossigenazione extracorporea a membrana, emofiltrazione venoso-venosa continua, tracheostomia, re-intubazione, posizione prona durante la degenza in terapia intensiva; e riammissione in terapia intensiva. Questi erano i dati a disposizione e processabili in un momento di emergenza e di grandissimo carico di lavoro nelle 25 terapie intensive del Veneto
Si è basato sui dati di 1616 pazienti ricoverati nelle terapie intensive della Covid-19 Veneto Icu Network e dell’IRCCS Ca’ Granda Ospedale Maggiore Policlinico di Milano dal 28 febbraio 2020 al 4 aprile 2021. I modelli hanno evidenziato l'età come il parametro predittivo più importante sulla mortalità di questi pazienti.
Dall'inizio della pandemia, lo sviluppo di modelli predittivi ha suscitato grande interesse a causa della mancanza iniziale di conoscenze su diagnosi, trattamento e prognosi sull’argomento. Vale la pena notare che sono stati proposti diversi strumenti per la previsione della mortalità dei pazienti Covid-19; tuttavia, è difficile confrontare le loro prestazioni perché ogni modello è stato sviluppato in pazienti con caratteristiche diverse, utilizzando diversi insiemi di variabili e utilizzando tecniche diverse per lo sviluppo del modello stesso.
«Queste tecniche sono lo strumento metodologico alla base della person-centered clinical research (ricerca clinica basata sulla persona) e della medicina personalizzata, fondata sull’analisi dei dati clinici, integrati con algoritmi e con i big data a disposizione - sottolinea il Dario Gregori -. Le variabili cliniche indagate rappresentano solo un piccolo numero di parametri potenzialmente rilevanti e in grado di influenzare gli esiti dei pazienti critici. Inoltre, diversi pazienti avevano registri incompleti, a causa dall'enorme carico di lavoro per i medici di terapia intensiva durante la pandemia di Covid-19. Ciò nonostante, i risultati di questa ricerca rappresentano l’ennesima dimostrazione della grandissima importanza della collaborazione tra biostatistici e medici per meglio capire le dinamiche dell’andamento di ogni malattia”
L’Unità di Biostatistica ha sviluppato tre diversi modelli predittivi, con le tecniche di ML. Ciascun modello includeva diversi set di variabili cliniche. I tre modelli hanno mostrato prestazioni predittive simili: l'età era il predittore principale per tutti i modelli considerati. Gli strumenti impiegati hanno dimostrato diversi punti di forza, tra cui il fatto che sono stati sviluppati su un'ampia coorte multicentrica di pazienti ammessi alle unità di terapia intensiva di due delle regioni italiane più colpite dalla pandemia di Covid-19.
[summary] =>
[format] => 2
[safe_value] =>
Il recente studio pubblicato dalla rivista «Journal of Anesthesia, Analgesia and Critical Care» dal titolo Access COVID-19 ICU mortality prediction: a machine learning approach using SuperLearner algorithm, coordinato da Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork, e da Dario Gregori, direttore dell’Unità di Biostatistica epidemiologia e sanità pubblica del Dipartimento di Scienze cardio-toraco-vascolari e sanità pubblica dell’Università di Padova, oltre a sollevare importanti riflessioni sull’indagine dei fattori predittivi di mortalità in terapia intensiva in pazienti affetti da Covid-19, apre lo sguardo sull’importanza di nuove tecniche di analisi di dati clinici tramite Machine Learning, una delle nuove frontiere di formazione per medici e operatori sanitari.
Il Machine Learning (ML o apprendimento automatico) è uno dei principali rami dell’intelligenza artificiale ed è una tecnologia fondamentale per la gestione e la comprensione dell’enorme quantità di dati, sanitari e non, che produciamo quotidianamente. L’uso del ML in medicina permette l’identificazione più rapida e precisa dei meccanismi che sono alla base di una malattia o della sua degenerazione, ma anche per definire una terapia in base alle caratteristiche personali del paziente.
La ricerca, che mette in luce l’età avanzata dei pazienti come uno dei predittori di maggiore mortalità per Covid-19 in terapia intensiva, è il risultato di uno sforzo congiunto tra una rete di anestesisti, rianimatori e biostatistici.
«È importante sottolineare come la consapevolezza della necessità di far rete stia diventando il nuovo modus operandi per far fronte anche alle sfide delle emergenze epidemiologiche - spiega il professor Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork -. Nemmeno le Unità di terapia intensiva sono più un’isola all’interno degli ospedali. Mai come in questi mesi la loro funzione e operatività è stata al centro dell’attenzione pubblica. Le 25 Unità Operative del Veneto lavorano già in rete per raccogliere i dati di ogni ricoverato. Per questo studio abbiamo chiesto il coinvolgimento dei colleghi di Milano e aggiungere la visione di una realtà extra regionale ma ugualmente impegnata sul fronte del Covid-19. Ma soprattutto, la rete che ci ha visto coinvolti in modo innovativo e che ci permette di avere una importante chiave di lettura, è quella creata all’interno del nostro Ateneo tra l’istituto di Anestesia e Rianimazione e l’Unità di Biostatistica del prof. Gregori».
Il lavoro mirava a sviluppare uno strumento, attraverso un approccio di Machine Learning, capace di identificare i ricoverati per Covid-19 più a rischio di eventi fatali. La relazione studiata, quindi, è stata quella tra le caratteristiche dei pazienti e i casi di mortalità, prendendo in esame età, genere, punteggio di valutazione dell'insufficienza d'organo, necessità di ventilazione meccanica invasiva, ventilazione meccanica non invasiva, ossigenazione extracorporea a membrana, emofiltrazione venoso-venosa continua, tracheostomia, re-intubazione, posizione prona durante la degenza in terapia intensiva; e riammissione in terapia intensiva. Questi erano i dati a disposizione e processabili in un momento di emergenza e di grandissimo carico di lavoro nelle 25 terapie intensive del Veneto
Si è basato sui dati di 1616 pazienti ricoverati nelle terapie intensive della Covid-19 Veneto Icu Network e dell’IRCCS Ca’ Granda Ospedale Maggiore Policlinico di Milano dal 28 febbraio 2020 al 4 aprile 2021. I modelli hanno evidenziato l'età come il parametro predittivo più importante sulla mortalità di questi pazienti.
Dall'inizio della pandemia, lo sviluppo di modelli predittivi ha suscitato grande interesse a causa della mancanza iniziale di conoscenze su diagnosi, trattamento e prognosi sull’argomento. Vale la pena notare che sono stati proposti diversi strumenti per la previsione della mortalità dei pazienti Covid-19; tuttavia, è difficile confrontare le loro prestazioni perché ogni modello è stato sviluppato in pazienti con caratteristiche diverse, utilizzando diversi insiemi di variabili e utilizzando tecniche diverse per lo sviluppo del modello stesso.
«Queste tecniche sono lo strumento metodologico alla base della person-centered clinical research (ricerca clinica basata sulla persona) e della medicina personalizzata, fondata sull’analisi dei dati clinici, integrati con algoritmi e con i big data a disposizione - sottolinea il Dario Gregori -. Le variabili cliniche indagate rappresentano solo un piccolo numero di parametri potenzialmente rilevanti e in grado di influenzare gli esiti dei pazienti critici. Inoltre, diversi pazienti avevano registri incompleti, a causa dall'enorme carico di lavoro per i medici di terapia intensiva durante la pandemia di Covid-19. Ciò nonostante, i risultati di questa ricerca rappresentano l’ennesima dimostrazione della grandissima importanza della collaborazione tra biostatistici e medici per meglio capire le dinamiche dell’andamento di ogni malattia”
L’Unità di Biostatistica ha sviluppato tre diversi modelli predittivi, con le tecniche di ML. Ciascun modello includeva diversi set di variabili cliniche. I tre modelli hanno mostrato prestazioni predittive simili: l'età era il predittore principale per tutti i modelli considerati. Gli strumenti impiegati hanno dimostrato diversi punti di forza, tra cui il fatto che sono stati sviluppati su un'ampia coorte multicentrica di pazienti ammessi alle unità di terapia intensiva di due delle regioni italiane più colpite dalla pandemia di Covid-19.
[safe_summary] =>
)
)
)
[field_date_box_lancio_news] => Array
(
[und] => Array
(
[0] => Array
(
[value] => 2021-09-23T00:00:00
[timezone] => Europe/Paris
[timezone_db] => Europe/Paris
[date_type] => date
)
)
)
[field_etichetta_box_lancio_news] => Array
(
)
[field_img_box_lancio_news] => Array
(
[und] => Array
(
[0] => Array
(
[fid] => 98138
[uid] => 13
[filename] => n_medicina_tablet.jpg
[uri] => public://n_medicina_tablet.jpg
[filemime] => image/jpeg
[filesize] => 68672
[status] => 1
[timestamp] => 1632406044
[type] => image
[field_file_image_alt_text] => Array
(
)
[field_file_image_title_text] => Array
(
)
[field_folder] => Array
(
[und] => Array
(
[0] => Array
(
[tid] => 2048
)
)
)
[metadata] => Array
(
[height] => 630
[width] => 1200
)
[height] => 630
[width] => 1200
[alt] => dati medici
[title] =>
)
)
)
[field_link_alla_news] => Array
(
)
[field_link_esterno_news] => Array
(
)
[field_pagina_associata] => Array
(
)
[field_link_etichetta] => Array
(
)
[field_abstract_news] => Array
(
[und] => Array
(
[0] => Array
(
[value] => Sviluppato uno strumento, attraverso l’approccio di Machine Learning che utilizza l’algoritmo Super Learner, capace di identificare i ricoverati per COVID-19 più a rischio di eventi fatali
[format] =>
[safe_value] => Sviluppato uno strumento, attraverso l’approccio di Machine Learning che utilizza l’algoritmo Super Learner, capace di identificare i ricoverati per COVID-19 più a rischio di eventi fatali
)
)
)
[field_allegato_news] => Array
(
)
[field_categorie_news] => Array
(
[und] => Array
(
[0] => Array
(
[tid] => 2264
)
[1] => Array
(
[tid] => 2267
)
[2] => Array
(
[tid] => 2462
)
)
)
[field_pub_date] => Array
(
[und] => Array
(
[0] => Array
(
[value] => 2021-09-23T00:00:00
[value2] => 2021-11-27T00:00:00
[timezone] => Europe/Paris
[timezone_db] => Europe/Paris
[date_type] => date
)
)
)
[field_layout_news] => Array
(
[und] => Array
(
[0] => Array
(
[value] => single
)
)
)
[field_testo_opzionale_news] => Array
(
)
[field_url_en_page] => Array
(
)
[field_url_en_page_label] => Array
(
)
[path] => Array
(
[pathauto] => 1
)
[name] => chiara.mezzalira
[picture] => 0
[data] => a:2:{s:13:"form_build_id";s:37:"form-e496b743db3766e42eb8a4d1ccc1c014";s:14:"wysiwyg_status";a:1:{i:1;i:1;}}
[num_revisions] => 4
[current_revision_id] => 373618
[is_current] => 1
[is_pending] =>
[revision_moderation] =>
[entity_view_prepared] => 1
)
[#items] => Array
(
[0] => Array
(
[value] =>
Il recente studio pubblicato dalla rivista «Journal of Anesthesia, Analgesia and Critical Care» dal titolo Access COVID-19 ICU mortality prediction: a machine learning approach using SuperLearner algorithm, coordinato da Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork, e da Dario Gregori, direttore dell’Unità di Biostatistica epidemiologia e sanità pubblica del Dipartimento di Scienze cardio-toraco-vascolari e sanità pubblica dell’Università di Padova, oltre a sollevare importanti riflessioni sull’indagine dei fattori predittivi di mortalità in terapia intensiva in pazienti affetti da Covid-19, apre lo sguardo sull’importanza di nuove tecniche di analisi di dati clinici tramite Machine Learning, una delle nuove frontiere di formazione per medici e operatori sanitari.
Il Machine Learning (ML o apprendimento automatico) è uno dei principali rami dell’intelligenza artificiale ed è una tecnologia fondamentale per la gestione e la comprensione dell’enorme quantità di dati, sanitari e non, che produciamo quotidianamente. L’uso del ML in medicina permette l’identificazione più rapida e precisa dei meccanismi che sono alla base di una malattia o della sua degenerazione, ma anche per definire una terapia in base alle caratteristiche personali del paziente.
La ricerca, che mette in luce l’età avanzata dei pazienti come uno dei predittori di maggiore mortalità per Covid-19 in terapia intensiva, è il risultato di uno sforzo congiunto tra una rete di anestesisti, rianimatori e biostatistici.
«È importante sottolineare come la consapevolezza della necessità di far rete stia diventando il nuovo modus operandi per far fronte anche alle sfide delle emergenze epidemiologiche - spiega il professor Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork -. Nemmeno le Unità di terapia intensiva sono più un’isola all’interno degli ospedali. Mai come in questi mesi la loro funzione e operatività è stata al centro dell’attenzione pubblica. Le 25 Unità Operative del Veneto lavorano già in rete per raccogliere i dati di ogni ricoverato. Per questo studio abbiamo chiesto il coinvolgimento dei colleghi di Milano e aggiungere la visione di una realtà extra regionale ma ugualmente impegnata sul fronte del Covid-19. Ma soprattutto, la rete che ci ha visto coinvolti in modo innovativo e che ci permette di avere una importante chiave di lettura, è quella creata all’interno del nostro Ateneo tra l’istituto di Anestesia e Rianimazione e l’Unità di Biostatistica del prof. Gregori».
Il lavoro mirava a sviluppare uno strumento, attraverso un approccio di Machine Learning, capace di identificare i ricoverati per Covid-19 più a rischio di eventi fatali. La relazione studiata, quindi, è stata quella tra le caratteristiche dei pazienti e i casi di mortalità, prendendo in esame età, genere, punteggio di valutazione dell'insufficienza d'organo, necessità di ventilazione meccanica invasiva, ventilazione meccanica non invasiva, ossigenazione extracorporea a membrana, emofiltrazione venoso-venosa continua, tracheostomia, re-intubazione, posizione prona durante la degenza in terapia intensiva; e riammissione in terapia intensiva. Questi erano i dati a disposizione e processabili in un momento di emergenza e di grandissimo carico di lavoro nelle 25 terapie intensive del Veneto
Si è basato sui dati di 1616 pazienti ricoverati nelle terapie intensive della Covid-19 Veneto Icu Network e dell’IRCCS Ca’ Granda Ospedale Maggiore Policlinico di Milano dal 28 febbraio 2020 al 4 aprile 2021. I modelli hanno evidenziato l'età come il parametro predittivo più importante sulla mortalità di questi pazienti.
Dall'inizio della pandemia, lo sviluppo di modelli predittivi ha suscitato grande interesse a causa della mancanza iniziale di conoscenze su diagnosi, trattamento e prognosi sull’argomento. Vale la pena notare che sono stati proposti diversi strumenti per la previsione della mortalità dei pazienti Covid-19; tuttavia, è difficile confrontare le loro prestazioni perché ogni modello è stato sviluppato in pazienti con caratteristiche diverse, utilizzando diversi insiemi di variabili e utilizzando tecniche diverse per lo sviluppo del modello stesso.
«Queste tecniche sono lo strumento metodologico alla base della person-centered clinical research (ricerca clinica basata sulla persona) e della medicina personalizzata, fondata sull’analisi dei dati clinici, integrati con algoritmi e con i big data a disposizione - sottolinea il Dario Gregori -. Le variabili cliniche indagate rappresentano solo un piccolo numero di parametri potenzialmente rilevanti e in grado di influenzare gli esiti dei pazienti critici. Inoltre, diversi pazienti avevano registri incompleti, a causa dall'enorme carico di lavoro per i medici di terapia intensiva durante la pandemia di Covid-19. Ciò nonostante, i risultati di questa ricerca rappresentano l’ennesima dimostrazione della grandissima importanza della collaborazione tra biostatistici e medici per meglio capire le dinamiche dell’andamento di ogni malattia”
L’Unità di Biostatistica ha sviluppato tre diversi modelli predittivi, con le tecniche di ML. Ciascun modello includeva diversi set di variabili cliniche. I tre modelli hanno mostrato prestazioni predittive simili: l'età era il predittore principale per tutti i modelli considerati. Gli strumenti impiegati hanno dimostrato diversi punti di forza, tra cui il fatto che sono stati sviluppati su un'ampia coorte multicentrica di pazienti ammessi alle unità di terapia intensiva di due delle regioni italiane più colpite dalla pandemia di Covid-19.
[summary] =>
[format] => 2
[safe_value] =>
Il recente studio pubblicato dalla rivista «Journal of Anesthesia, Analgesia and Critical Care» dal titolo Access COVID-19 ICU mortality prediction: a machine learning approach using SuperLearner algorithm, coordinato da Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork, e da Dario Gregori, direttore dell’Unità di Biostatistica epidemiologia e sanità pubblica del Dipartimento di Scienze cardio-toraco-vascolari e sanità pubblica dell’Università di Padova, oltre a sollevare importanti riflessioni sull’indagine dei fattori predittivi di mortalità in terapia intensiva in pazienti affetti da Covid-19, apre lo sguardo sull’importanza di nuove tecniche di analisi di dati clinici tramite Machine Learning, una delle nuove frontiere di formazione per medici e operatori sanitari.
Il Machine Learning (ML o apprendimento automatico) è uno dei principali rami dell’intelligenza artificiale ed è una tecnologia fondamentale per la gestione e la comprensione dell’enorme quantità di dati, sanitari e non, che produciamo quotidianamente. L’uso del ML in medicina permette l’identificazione più rapida e precisa dei meccanismi che sono alla base di una malattia o della sua degenerazione, ma anche per definire una terapia in base alle caratteristiche personali del paziente.
La ricerca, che mette in luce l’età avanzata dei pazienti come uno dei predittori di maggiore mortalità per Covid-19 in terapia intensiva, è il risultato di uno sforzo congiunto tra una rete di anestesisti, rianimatori e biostatistici.
«È importante sottolineare come la consapevolezza della necessità di far rete stia diventando il nuovo modus operandi per far fronte anche alle sfide delle emergenze epidemiologiche - spiega il professor Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork -. Nemmeno le Unità di terapia intensiva sono più un’isola all’interno degli ospedali. Mai come in questi mesi la loro funzione e operatività è stata al centro dell’attenzione pubblica. Le 25 Unità Operative del Veneto lavorano già in rete per raccogliere i dati di ogni ricoverato. Per questo studio abbiamo chiesto il coinvolgimento dei colleghi di Milano e aggiungere la visione di una realtà extra regionale ma ugualmente impegnata sul fronte del Covid-19. Ma soprattutto, la rete che ci ha visto coinvolti in modo innovativo e che ci permette di avere una importante chiave di lettura, è quella creata all’interno del nostro Ateneo tra l’istituto di Anestesia e Rianimazione e l’Unità di Biostatistica del prof. Gregori».
Il lavoro mirava a sviluppare uno strumento, attraverso un approccio di Machine Learning, capace di identificare i ricoverati per Covid-19 più a rischio di eventi fatali. La relazione studiata, quindi, è stata quella tra le caratteristiche dei pazienti e i casi di mortalità, prendendo in esame età, genere, punteggio di valutazione dell'insufficienza d'organo, necessità di ventilazione meccanica invasiva, ventilazione meccanica non invasiva, ossigenazione extracorporea a membrana, emofiltrazione venoso-venosa continua, tracheostomia, re-intubazione, posizione prona durante la degenza in terapia intensiva; e riammissione in terapia intensiva. Questi erano i dati a disposizione e processabili in un momento di emergenza e di grandissimo carico di lavoro nelle 25 terapie intensive del Veneto
Si è basato sui dati di 1616 pazienti ricoverati nelle terapie intensive della Covid-19 Veneto Icu Network e dell’IRCCS Ca’ Granda Ospedale Maggiore Policlinico di Milano dal 28 febbraio 2020 al 4 aprile 2021. I modelli hanno evidenziato l'età come il parametro predittivo più importante sulla mortalità di questi pazienti.
Dall'inizio della pandemia, lo sviluppo di modelli predittivi ha suscitato grande interesse a causa della mancanza iniziale di conoscenze su diagnosi, trattamento e prognosi sull’argomento. Vale la pena notare che sono stati proposti diversi strumenti per la previsione della mortalità dei pazienti Covid-19; tuttavia, è difficile confrontare le loro prestazioni perché ogni modello è stato sviluppato in pazienti con caratteristiche diverse, utilizzando diversi insiemi di variabili e utilizzando tecniche diverse per lo sviluppo del modello stesso.
«Queste tecniche sono lo strumento metodologico alla base della person-centered clinical research (ricerca clinica basata sulla persona) e della medicina personalizzata, fondata sull’analisi dei dati clinici, integrati con algoritmi e con i big data a disposizione - sottolinea il Dario Gregori -. Le variabili cliniche indagate rappresentano solo un piccolo numero di parametri potenzialmente rilevanti e in grado di influenzare gli esiti dei pazienti critici. Inoltre, diversi pazienti avevano registri incompleti, a causa dall'enorme carico di lavoro per i medici di terapia intensiva durante la pandemia di Covid-19. Ciò nonostante, i risultati di questa ricerca rappresentano l’ennesima dimostrazione della grandissima importanza della collaborazione tra biostatistici e medici per meglio capire le dinamiche dell’andamento di ogni malattia”
L’Unità di Biostatistica ha sviluppato tre diversi modelli predittivi, con le tecniche di ML. Ciascun modello includeva diversi set di variabili cliniche. I tre modelli hanno mostrato prestazioni predittive simili: l'età era il predittore principale per tutti i modelli considerati. Gli strumenti impiegati hanno dimostrato diversi punti di forza, tra cui il fatto che sono stati sviluppati su un'ampia coorte multicentrica di pazienti ammessi alle unità di terapia intensiva di due delle regioni italiane più colpite dalla pandemia di Covid-19.
[safe_summary] =>
)
)
[#formatter] => text_summary_or_trimmed
[0] => Array
(
[#markup] =>
Il recente studio pubblicato dalla rivista «Journal of Anesthesia, Analgesia and Critical Care» dal titolo Access COVID-19 ICU mortality prediction: a machine learning approach using SuperLearner algorithm, coordinato da Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork, e da Dario Gregori, direttore dell’Unità di Biostatistica epidemiologia e sanità pubblica del Dipartimento di Scienze cardio-toraco-vascolari e sanità pubblica dell’Università
)
)
[field_img_box_lancio_news] => Array
(
[#theme] => field
[#weight] => 0
[#title] => Immagine
[#access] => 1
[#label_display] => above
[#view_mode] => teaser
[#language] => und
[#field_name] => field_img_box_lancio_news
[#field_type] => image
[#field_translatable] => 0
[#entity_type] => node
[#bundle] => box_lancio_news
[#object] => stdClass Object
(
[vid] => 373618
[uid] => 13
[title] => Previsione della mortalità in terapia intensiva Covid-19 grazie a un approccio machine learning
[log] =>
[status] => 1
[comment] => 0
[promote] => 1
[sticky] => 0
[nid] => 81534
[type] => box_lancio_news
[language] => it
[created] => 1632405838
[changed] => 1636631330
[tnid] => 0
[translate] => 0
[revision_timestamp] => 1636631330
[revision_uid] => 13
[body] => Array
(
[und] => Array
(
[0] => Array
(
[value] =>
Il recente studio pubblicato dalla rivista «Journal of Anesthesia, Analgesia and Critical Care» dal titolo Access COVID-19 ICU mortality prediction: a machine learning approach using SuperLearner algorithm, coordinato da Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork, e da Dario Gregori, direttore dell’Unità di Biostatistica epidemiologia e sanità pubblica del Dipartimento di Scienze cardio-toraco-vascolari e sanità pubblica dell’Università di Padova, oltre a sollevare importanti riflessioni sull’indagine dei fattori predittivi di mortalità in terapia intensiva in pazienti affetti da Covid-19, apre lo sguardo sull’importanza di nuove tecniche di analisi di dati clinici tramite Machine Learning, una delle nuove frontiere di formazione per medici e operatori sanitari.
Il Machine Learning (ML o apprendimento automatico) è uno dei principali rami dell’intelligenza artificiale ed è una tecnologia fondamentale per la gestione e la comprensione dell’enorme quantità di dati, sanitari e non, che produciamo quotidianamente. L’uso del ML in medicina permette l’identificazione più rapida e precisa dei meccanismi che sono alla base di una malattia o della sua degenerazione, ma anche per definire una terapia in base alle caratteristiche personali del paziente.
La ricerca, che mette in luce l’età avanzata dei pazienti come uno dei predittori di maggiore mortalità per Covid-19 in terapia intensiva, è il risultato di uno sforzo congiunto tra una rete di anestesisti, rianimatori e biostatistici.
«È importante sottolineare come la consapevolezza della necessità di far rete stia diventando il nuovo modus operandi per far fronte anche alle sfide delle emergenze epidemiologiche - spiega il professor Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork -. Nemmeno le Unità di terapia intensiva sono più un’isola all’interno degli ospedali. Mai come in questi mesi la loro funzione e operatività è stata al centro dell’attenzione pubblica. Le 25 Unità Operative del Veneto lavorano già in rete per raccogliere i dati di ogni ricoverato. Per questo studio abbiamo chiesto il coinvolgimento dei colleghi di Milano e aggiungere la visione di una realtà extra regionale ma ugualmente impegnata sul fronte del Covid-19. Ma soprattutto, la rete che ci ha visto coinvolti in modo innovativo e che ci permette di avere una importante chiave di lettura, è quella creata all’interno del nostro Ateneo tra l’istituto di Anestesia e Rianimazione e l’Unità di Biostatistica del prof. Gregori».
Il lavoro mirava a sviluppare uno strumento, attraverso un approccio di Machine Learning, capace di identificare i ricoverati per Covid-19 più a rischio di eventi fatali. La relazione studiata, quindi, è stata quella tra le caratteristiche dei pazienti e i casi di mortalità, prendendo in esame età, genere, punteggio di valutazione dell'insufficienza d'organo, necessità di ventilazione meccanica invasiva, ventilazione meccanica non invasiva, ossigenazione extracorporea a membrana, emofiltrazione venoso-venosa continua, tracheostomia, re-intubazione, posizione prona durante la degenza in terapia intensiva; e riammissione in terapia intensiva. Questi erano i dati a disposizione e processabili in un momento di emergenza e di grandissimo carico di lavoro nelle 25 terapie intensive del Veneto
Si è basato sui dati di 1616 pazienti ricoverati nelle terapie intensive della Covid-19 Veneto Icu Network e dell’IRCCS Ca’ Granda Ospedale Maggiore Policlinico di Milano dal 28 febbraio 2020 al 4 aprile 2021. I modelli hanno evidenziato l'età come il parametro predittivo più importante sulla mortalità di questi pazienti.
Dall'inizio della pandemia, lo sviluppo di modelli predittivi ha suscitato grande interesse a causa della mancanza iniziale di conoscenze su diagnosi, trattamento e prognosi sull’argomento. Vale la pena notare che sono stati proposti diversi strumenti per la previsione della mortalità dei pazienti Covid-19; tuttavia, è difficile confrontare le loro prestazioni perché ogni modello è stato sviluppato in pazienti con caratteristiche diverse, utilizzando diversi insiemi di variabili e utilizzando tecniche diverse per lo sviluppo del modello stesso.
«Queste tecniche sono lo strumento metodologico alla base della person-centered clinical research (ricerca clinica basata sulla persona) e della medicina personalizzata, fondata sull’analisi dei dati clinici, integrati con algoritmi e con i big data a disposizione - sottolinea il Dario Gregori -. Le variabili cliniche indagate rappresentano solo un piccolo numero di parametri potenzialmente rilevanti e in grado di influenzare gli esiti dei pazienti critici. Inoltre, diversi pazienti avevano registri incompleti, a causa dall'enorme carico di lavoro per i medici di terapia intensiva durante la pandemia di Covid-19. Ciò nonostante, i risultati di questa ricerca rappresentano l’ennesima dimostrazione della grandissima importanza della collaborazione tra biostatistici e medici per meglio capire le dinamiche dell’andamento di ogni malattia”
L’Unità di Biostatistica ha sviluppato tre diversi modelli predittivi, con le tecniche di ML. Ciascun modello includeva diversi set di variabili cliniche. I tre modelli hanno mostrato prestazioni predittive simili: l'età era il predittore principale per tutti i modelli considerati. Gli strumenti impiegati hanno dimostrato diversi punti di forza, tra cui il fatto che sono stati sviluppati su un'ampia coorte multicentrica di pazienti ammessi alle unità di terapia intensiva di due delle regioni italiane più colpite dalla pandemia di Covid-19.
[summary] =>
[format] => 2
[safe_value] =>
Il recente studio pubblicato dalla rivista «Journal of Anesthesia, Analgesia and Critical Care» dal titolo Access COVID-19 ICU mortality prediction: a machine learning approach using SuperLearner algorithm, coordinato da Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork, e da Dario Gregori, direttore dell’Unità di Biostatistica epidemiologia e sanità pubblica del Dipartimento di Scienze cardio-toraco-vascolari e sanità pubblica dell’Università di Padova, oltre a sollevare importanti riflessioni sull’indagine dei fattori predittivi di mortalità in terapia intensiva in pazienti affetti da Covid-19, apre lo sguardo sull’importanza di nuove tecniche di analisi di dati clinici tramite Machine Learning, una delle nuove frontiere di formazione per medici e operatori sanitari.
Il Machine Learning (ML o apprendimento automatico) è uno dei principali rami dell’intelligenza artificiale ed è una tecnologia fondamentale per la gestione e la comprensione dell’enorme quantità di dati, sanitari e non, che produciamo quotidianamente. L’uso del ML in medicina permette l’identificazione più rapida e precisa dei meccanismi che sono alla base di una malattia o della sua degenerazione, ma anche per definire una terapia in base alle caratteristiche personali del paziente.
La ricerca, che mette in luce l’età avanzata dei pazienti come uno dei predittori di maggiore mortalità per Covid-19 in terapia intensiva, è il risultato di uno sforzo congiunto tra una rete di anestesisti, rianimatori e biostatistici.
«È importante sottolineare come la consapevolezza della necessità di far rete stia diventando il nuovo modus operandi per far fronte anche alle sfide delle emergenze epidemiologiche - spiega il professor Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork -. Nemmeno le Unità di terapia intensiva sono più un’isola all’interno degli ospedali. Mai come in questi mesi la loro funzione e operatività è stata al centro dell’attenzione pubblica. Le 25 Unità Operative del Veneto lavorano già in rete per raccogliere i dati di ogni ricoverato. Per questo studio abbiamo chiesto il coinvolgimento dei colleghi di Milano e aggiungere la visione di una realtà extra regionale ma ugualmente impegnata sul fronte del Covid-19. Ma soprattutto, la rete che ci ha visto coinvolti in modo innovativo e che ci permette di avere una importante chiave di lettura, è quella creata all’interno del nostro Ateneo tra l’istituto di Anestesia e Rianimazione e l’Unità di Biostatistica del prof. Gregori».
Il lavoro mirava a sviluppare uno strumento, attraverso un approccio di Machine Learning, capace di identificare i ricoverati per Covid-19 più a rischio di eventi fatali. La relazione studiata, quindi, è stata quella tra le caratteristiche dei pazienti e i casi di mortalità, prendendo in esame età, genere, punteggio di valutazione dell'insufficienza d'organo, necessità di ventilazione meccanica invasiva, ventilazione meccanica non invasiva, ossigenazione extracorporea a membrana, emofiltrazione venoso-venosa continua, tracheostomia, re-intubazione, posizione prona durante la degenza in terapia intensiva; e riammissione in terapia intensiva. Questi erano i dati a disposizione e processabili in un momento di emergenza e di grandissimo carico di lavoro nelle 25 terapie intensive del Veneto
Si è basato sui dati di 1616 pazienti ricoverati nelle terapie intensive della Covid-19 Veneto Icu Network e dell’IRCCS Ca’ Granda Ospedale Maggiore Policlinico di Milano dal 28 febbraio 2020 al 4 aprile 2021. I modelli hanno evidenziato l'età come il parametro predittivo più importante sulla mortalità di questi pazienti.
Dall'inizio della pandemia, lo sviluppo di modelli predittivi ha suscitato grande interesse a causa della mancanza iniziale di conoscenze su diagnosi, trattamento e prognosi sull’argomento. Vale la pena notare che sono stati proposti diversi strumenti per la previsione della mortalità dei pazienti Covid-19; tuttavia, è difficile confrontare le loro prestazioni perché ogni modello è stato sviluppato in pazienti con caratteristiche diverse, utilizzando diversi insiemi di variabili e utilizzando tecniche diverse per lo sviluppo del modello stesso.
«Queste tecniche sono lo strumento metodologico alla base della person-centered clinical research (ricerca clinica basata sulla persona) e della medicina personalizzata, fondata sull’analisi dei dati clinici, integrati con algoritmi e con i big data a disposizione - sottolinea il Dario Gregori -. Le variabili cliniche indagate rappresentano solo un piccolo numero di parametri potenzialmente rilevanti e in grado di influenzare gli esiti dei pazienti critici. Inoltre, diversi pazienti avevano registri incompleti, a causa dall'enorme carico di lavoro per i medici di terapia intensiva durante la pandemia di Covid-19. Ciò nonostante, i risultati di questa ricerca rappresentano l’ennesima dimostrazione della grandissima importanza della collaborazione tra biostatistici e medici per meglio capire le dinamiche dell’andamento di ogni malattia”
L’Unità di Biostatistica ha sviluppato tre diversi modelli predittivi, con le tecniche di ML. Ciascun modello includeva diversi set di variabili cliniche. I tre modelli hanno mostrato prestazioni predittive simili: l'età era il predittore principale per tutti i modelli considerati. Gli strumenti impiegati hanno dimostrato diversi punti di forza, tra cui il fatto che sono stati sviluppati su un'ampia coorte multicentrica di pazienti ammessi alle unità di terapia intensiva di due delle regioni italiane più colpite dalla pandemia di Covid-19.
[safe_summary] =>
)
)
)
[field_date_box_lancio_news] => Array
(
[und] => Array
(
[0] => Array
(
[value] => 2021-09-23T00:00:00
[timezone] => Europe/Paris
[timezone_db] => Europe/Paris
[date_type] => date
)
)
)
[field_etichetta_box_lancio_news] => Array
(
)
[field_img_box_lancio_news] => Array
(
[und] => Array
(
[0] => Array
(
[fid] => 98138
[uid] => 13
[filename] => n_medicina_tablet.jpg
[uri] => public://n_medicina_tablet.jpg
[filemime] => image/jpeg
[filesize] => 68672
[status] => 1
[timestamp] => 1632406044
[type] => image
[field_file_image_alt_text] => Array
(
)
[field_file_image_title_text] => Array
(
)
[field_folder] => Array
(
[und] => Array
(
[0] => Array
(
[tid] => 2048
)
)
)
[metadata] => Array
(
[height] => 630
[width] => 1200
)
[height] => 630
[width] => 1200
[alt] => dati medici
[title] =>
)
)
)
[field_link_alla_news] => Array
(
)
[field_link_esterno_news] => Array
(
)
[field_pagina_associata] => Array
(
)
[field_link_etichetta] => Array
(
)
[field_abstract_news] => Array
(
[und] => Array
(
[0] => Array
(
[value] => Sviluppato uno strumento, attraverso l’approccio di Machine Learning che utilizza l’algoritmo Super Learner, capace di identificare i ricoverati per COVID-19 più a rischio di eventi fatali
[format] =>
[safe_value] => Sviluppato uno strumento, attraverso l’approccio di Machine Learning che utilizza l’algoritmo Super Learner, capace di identificare i ricoverati per COVID-19 più a rischio di eventi fatali
)
)
)
[field_allegato_news] => Array
(
)
[field_categorie_news] => Array
(
[und] => Array
(
[0] => Array
(
[tid] => 2264
)
[1] => Array
(
[tid] => 2267
)
[2] => Array
(
[tid] => 2462
)
)
)
[field_pub_date] => Array
(
[und] => Array
(
[0] => Array
(
[value] => 2021-09-23T00:00:00
[value2] => 2021-11-27T00:00:00
[timezone] => Europe/Paris
[timezone_db] => Europe/Paris
[date_type] => date
)
)
)
[field_layout_news] => Array
(
[und] => Array
(
[0] => Array
(
[value] => single
)
)
)
[field_testo_opzionale_news] => Array
(
)
[field_url_en_page] => Array
(
)
[field_url_en_page_label] => Array
(
)
[path] => Array
(
[pathauto] => 1
)
[name] => chiara.mezzalira
[picture] => 0
[data] => a:2:{s:13:"form_build_id";s:37:"form-e496b743db3766e42eb8a4d1ccc1c014";s:14:"wysiwyg_status";a:1:{i:1;i:1;}}
[num_revisions] => 4
[current_revision_id] => 373618
[is_current] => 1
[is_pending] =>
[revision_moderation] =>
[entity_view_prepared] => 1
)
[#items] => Array
(
[0] => Array
(
[fid] => 98138
[uid] => 13
[filename] => n_medicina_tablet.jpg
[uri] => public://n_medicina_tablet.jpg
[filemime] => image/jpeg
[filesize] => 68672
[status] => 1
[timestamp] => 1632406044
[type] => image
[field_file_image_alt_text] => Array
(
)
[field_file_image_title_text] => Array
(
)
[field_folder] => Array
(
[und] => Array
(
[0] => Array
(
[tid] => 2048
)
)
)
[metadata] => Array
(
[height] => 630
[width] => 1200
)
[height] => 630
[width] => 1200
[alt] => dati medici
[title] =>
)
)
[#formatter] => image
[0] => Array
(
[#theme] => image_formatter
[#item] => Array
(
[fid] => 98138
[uid] => 13
[filename] => n_medicina_tablet.jpg
[uri] => public://n_medicina_tablet.jpg
[filemime] => image/jpeg
[filesize] => 68672
[status] => 1
[timestamp] => 1632406044
[type] => image
[field_file_image_alt_text] => Array
(
)
[field_file_image_title_text] => Array
(
)
[field_folder] => Array
(
[und] => Array
(
[0] => Array
(
[tid] => 2048
)
)
)
[metadata] => Array
(
[height] => 630
[width] => 1200
)
[height] => 630
[width] => 1200
[alt] => dati medici
[title] =>
)
[#image_style] =>
[#path] =>
)
)
[field_abstract_news] => Array
(
[#theme] => field
[#weight] => 0
[#title] => Abstract
[#access] => 1
[#label_display] => above
[#view_mode] => teaser
[#language] => und
[#field_name] => field_abstract_news
[#field_type] => text_long
[#field_translatable] => 0
[#entity_type] => node
[#bundle] => box_lancio_news
[#object] => stdClass Object
(
[vid] => 373618
[uid] => 13
[title] => Previsione della mortalità in terapia intensiva Covid-19 grazie a un approccio machine learning
[log] =>
[status] => 1
[comment] => 0
[promote] => 1
[sticky] => 0
[nid] => 81534
[type] => box_lancio_news
[language] => it
[created] => 1632405838
[changed] => 1636631330
[tnid] => 0
[translate] => 0
[revision_timestamp] => 1636631330
[revision_uid] => 13
[body] => Array
(
[und] => Array
(
[0] => Array
(
[value] =>
Il recente studio pubblicato dalla rivista «Journal of Anesthesia, Analgesia and Critical Care» dal titolo Access COVID-19 ICU mortality prediction: a machine learning approach using SuperLearner algorithm, coordinato da Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork, e da Dario Gregori, direttore dell’Unità di Biostatistica epidemiologia e sanità pubblica del Dipartimento di Scienze cardio-toraco-vascolari e sanità pubblica dell’Università di Padova, oltre a sollevare importanti riflessioni sull’indagine dei fattori predittivi di mortalità in terapia intensiva in pazienti affetti da Covid-19, apre lo sguardo sull’importanza di nuove tecniche di analisi di dati clinici tramite Machine Learning, una delle nuove frontiere di formazione per medici e operatori sanitari.
Il Machine Learning (ML o apprendimento automatico) è uno dei principali rami dell’intelligenza artificiale ed è una tecnologia fondamentale per la gestione e la comprensione dell’enorme quantità di dati, sanitari e non, che produciamo quotidianamente. L’uso del ML in medicina permette l’identificazione più rapida e precisa dei meccanismi che sono alla base di una malattia o della sua degenerazione, ma anche per definire una terapia in base alle caratteristiche personali del paziente.
La ricerca, che mette in luce l’età avanzata dei pazienti come uno dei predittori di maggiore mortalità per Covid-19 in terapia intensiva, è il risultato di uno sforzo congiunto tra una rete di anestesisti, rianimatori e biostatistici.
«È importante sottolineare come la consapevolezza della necessità di far rete stia diventando il nuovo modus operandi per far fronte anche alle sfide delle emergenze epidemiologiche - spiega il professor Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork -. Nemmeno le Unità di terapia intensiva sono più un’isola all’interno degli ospedali. Mai come in questi mesi la loro funzione e operatività è stata al centro dell’attenzione pubblica. Le 25 Unità Operative del Veneto lavorano già in rete per raccogliere i dati di ogni ricoverato. Per questo studio abbiamo chiesto il coinvolgimento dei colleghi di Milano e aggiungere la visione di una realtà extra regionale ma ugualmente impegnata sul fronte del Covid-19. Ma soprattutto, la rete che ci ha visto coinvolti in modo innovativo e che ci permette di avere una importante chiave di lettura, è quella creata all’interno del nostro Ateneo tra l’istituto di Anestesia e Rianimazione e l’Unità di Biostatistica del prof. Gregori».
Il lavoro mirava a sviluppare uno strumento, attraverso un approccio di Machine Learning, capace di identificare i ricoverati per Covid-19 più a rischio di eventi fatali. La relazione studiata, quindi, è stata quella tra le caratteristiche dei pazienti e i casi di mortalità, prendendo in esame età, genere, punteggio di valutazione dell'insufficienza d'organo, necessità di ventilazione meccanica invasiva, ventilazione meccanica non invasiva, ossigenazione extracorporea a membrana, emofiltrazione venoso-venosa continua, tracheostomia, re-intubazione, posizione prona durante la degenza in terapia intensiva; e riammissione in terapia intensiva. Questi erano i dati a disposizione e processabili in un momento di emergenza e di grandissimo carico di lavoro nelle 25 terapie intensive del Veneto
Si è basato sui dati di 1616 pazienti ricoverati nelle terapie intensive della Covid-19 Veneto Icu Network e dell’IRCCS Ca’ Granda Ospedale Maggiore Policlinico di Milano dal 28 febbraio 2020 al 4 aprile 2021. I modelli hanno evidenziato l'età come il parametro predittivo più importante sulla mortalità di questi pazienti.
Dall'inizio della pandemia, lo sviluppo di modelli predittivi ha suscitato grande interesse a causa della mancanza iniziale di conoscenze su diagnosi, trattamento e prognosi sull’argomento. Vale la pena notare che sono stati proposti diversi strumenti per la previsione della mortalità dei pazienti Covid-19; tuttavia, è difficile confrontare le loro prestazioni perché ogni modello è stato sviluppato in pazienti con caratteristiche diverse, utilizzando diversi insiemi di variabili e utilizzando tecniche diverse per lo sviluppo del modello stesso.
«Queste tecniche sono lo strumento metodologico alla base della person-centered clinical research (ricerca clinica basata sulla persona) e della medicina personalizzata, fondata sull’analisi dei dati clinici, integrati con algoritmi e con i big data a disposizione - sottolinea il Dario Gregori -. Le variabili cliniche indagate rappresentano solo un piccolo numero di parametri potenzialmente rilevanti e in grado di influenzare gli esiti dei pazienti critici. Inoltre, diversi pazienti avevano registri incompleti, a causa dall'enorme carico di lavoro per i medici di terapia intensiva durante la pandemia di Covid-19. Ciò nonostante, i risultati di questa ricerca rappresentano l’ennesima dimostrazione della grandissima importanza della collaborazione tra biostatistici e medici per meglio capire le dinamiche dell’andamento di ogni malattia”
L’Unità di Biostatistica ha sviluppato tre diversi modelli predittivi, con le tecniche di ML. Ciascun modello includeva diversi set di variabili cliniche. I tre modelli hanno mostrato prestazioni predittive simili: l'età era il predittore principale per tutti i modelli considerati. Gli strumenti impiegati hanno dimostrato diversi punti di forza, tra cui il fatto che sono stati sviluppati su un'ampia coorte multicentrica di pazienti ammessi alle unità di terapia intensiva di due delle regioni italiane più colpite dalla pandemia di Covid-19.
[summary] =>
[format] => 2
[safe_value] =>
Il recente studio pubblicato dalla rivista «Journal of Anesthesia, Analgesia and Critical Care» dal titolo Access COVID-19 ICU mortality prediction: a machine learning approach using SuperLearner algorithm, coordinato da Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork, e da Dario Gregori, direttore dell’Unità di Biostatistica epidemiologia e sanità pubblica del Dipartimento di Scienze cardio-toraco-vascolari e sanità pubblica dell’Università di Padova, oltre a sollevare importanti riflessioni sull’indagine dei fattori predittivi di mortalità in terapia intensiva in pazienti affetti da Covid-19, apre lo sguardo sull’importanza di nuove tecniche di analisi di dati clinici tramite Machine Learning, una delle nuove frontiere di formazione per medici e operatori sanitari.
Il Machine Learning (ML o apprendimento automatico) è uno dei principali rami dell’intelligenza artificiale ed è una tecnologia fondamentale per la gestione e la comprensione dell’enorme quantità di dati, sanitari e non, che produciamo quotidianamente. L’uso del ML in medicina permette l’identificazione più rapida e precisa dei meccanismi che sono alla base di una malattia o della sua degenerazione, ma anche per definire una terapia in base alle caratteristiche personali del paziente.
La ricerca, che mette in luce l’età avanzata dei pazienti come uno dei predittori di maggiore mortalità per Covid-19 in terapia intensiva, è il risultato di uno sforzo congiunto tra una rete di anestesisti, rianimatori e biostatistici.
«È importante sottolineare come la consapevolezza della necessità di far rete stia diventando il nuovo modus operandi per far fronte anche alle sfide delle emergenze epidemiologiche - spiega il professor Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork -. Nemmeno le Unità di terapia intensiva sono più un’isola all’interno degli ospedali. Mai come in questi mesi la loro funzione e operatività è stata al centro dell’attenzione pubblica. Le 25 Unità Operative del Veneto lavorano già in rete per raccogliere i dati di ogni ricoverato. Per questo studio abbiamo chiesto il coinvolgimento dei colleghi di Milano e aggiungere la visione di una realtà extra regionale ma ugualmente impegnata sul fronte del Covid-19. Ma soprattutto, la rete che ci ha visto coinvolti in modo innovativo e che ci permette di avere una importante chiave di lettura, è quella creata all’interno del nostro Ateneo tra l’istituto di Anestesia e Rianimazione e l’Unità di Biostatistica del prof. Gregori».
Il lavoro mirava a sviluppare uno strumento, attraverso un approccio di Machine Learning, capace di identificare i ricoverati per Covid-19 più a rischio di eventi fatali. La relazione studiata, quindi, è stata quella tra le caratteristiche dei pazienti e i casi di mortalità, prendendo in esame età, genere, punteggio di valutazione dell'insufficienza d'organo, necessità di ventilazione meccanica invasiva, ventilazione meccanica non invasiva, ossigenazione extracorporea a membrana, emofiltrazione venoso-venosa continua, tracheostomia, re-intubazione, posizione prona durante la degenza in terapia intensiva; e riammissione in terapia intensiva. Questi erano i dati a disposizione e processabili in un momento di emergenza e di grandissimo carico di lavoro nelle 25 terapie intensive del Veneto
Si è basato sui dati di 1616 pazienti ricoverati nelle terapie intensive della Covid-19 Veneto Icu Network e dell’IRCCS Ca’ Granda Ospedale Maggiore Policlinico di Milano dal 28 febbraio 2020 al 4 aprile 2021. I modelli hanno evidenziato l'età come il parametro predittivo più importante sulla mortalità di questi pazienti.
Dall'inizio della pandemia, lo sviluppo di modelli predittivi ha suscitato grande interesse a causa della mancanza iniziale di conoscenze su diagnosi, trattamento e prognosi sull’argomento. Vale la pena notare che sono stati proposti diversi strumenti per la previsione della mortalità dei pazienti Covid-19; tuttavia, è difficile confrontare le loro prestazioni perché ogni modello è stato sviluppato in pazienti con caratteristiche diverse, utilizzando diversi insiemi di variabili e utilizzando tecniche diverse per lo sviluppo del modello stesso.
«Queste tecniche sono lo strumento metodologico alla base della person-centered clinical research (ricerca clinica basata sulla persona) e della medicina personalizzata, fondata sull’analisi dei dati clinici, integrati con algoritmi e con i big data a disposizione - sottolinea il Dario Gregori -. Le variabili cliniche indagate rappresentano solo un piccolo numero di parametri potenzialmente rilevanti e in grado di influenzare gli esiti dei pazienti critici. Inoltre, diversi pazienti avevano registri incompleti, a causa dall'enorme carico di lavoro per i medici di terapia intensiva durante la pandemia di Covid-19. Ciò nonostante, i risultati di questa ricerca rappresentano l’ennesima dimostrazione della grandissima importanza della collaborazione tra biostatistici e medici per meglio capire le dinamiche dell’andamento di ogni malattia”
L’Unità di Biostatistica ha sviluppato tre diversi modelli predittivi, con le tecniche di ML. Ciascun modello includeva diversi set di variabili cliniche. I tre modelli hanno mostrato prestazioni predittive simili: l'età era il predittore principale per tutti i modelli considerati. Gli strumenti impiegati hanno dimostrato diversi punti di forza, tra cui il fatto che sono stati sviluppati su un'ampia coorte multicentrica di pazienti ammessi alle unità di terapia intensiva di due delle regioni italiane più colpite dalla pandemia di Covid-19.
[safe_summary] =>
)
)
)
[field_date_box_lancio_news] => Array
(
[und] => Array
(
[0] => Array
(
[value] => 2021-09-23T00:00:00
[timezone] => Europe/Paris
[timezone_db] => Europe/Paris
[date_type] => date
)
)
)
[field_etichetta_box_lancio_news] => Array
(
)
[field_img_box_lancio_news] => Array
(
[und] => Array
(
[0] => Array
(
[fid] => 98138
[uid] => 13
[filename] => n_medicina_tablet.jpg
[uri] => public://n_medicina_tablet.jpg
[filemime] => image/jpeg
[filesize] => 68672
[status] => 1
[timestamp] => 1632406044
[type] => image
[field_file_image_alt_text] => Array
(
)
[field_file_image_title_text] => Array
(
)
[field_folder] => Array
(
[und] => Array
(
[0] => Array
(
[tid] => 2048
)
)
)
[metadata] => Array
(
[height] => 630
[width] => 1200
)
[height] => 630
[width] => 1200
[alt] => dati medici
[title] =>
)
)
)
[field_link_alla_news] => Array
(
)
[field_link_esterno_news] => Array
(
)
[field_pagina_associata] => Array
(
)
[field_link_etichetta] => Array
(
)
[field_abstract_news] => Array
(
[und] => Array
(
[0] => Array
(
[value] => Sviluppato uno strumento, attraverso l’approccio di Machine Learning che utilizza l’algoritmo Super Learner, capace di identificare i ricoverati per COVID-19 più a rischio di eventi fatali
[format] =>
[safe_value] => Sviluppato uno strumento, attraverso l’approccio di Machine Learning che utilizza l’algoritmo Super Learner, capace di identificare i ricoverati per COVID-19 più a rischio di eventi fatali
)
)
)
[field_allegato_news] => Array
(
)
[field_categorie_news] => Array
(
[und] => Array
(
[0] => Array
(
[tid] => 2264
)
[1] => Array
(
[tid] => 2267
)
[2] => Array
(
[tid] => 2462
)
)
)
[field_pub_date] => Array
(
[und] => Array
(
[0] => Array
(
[value] => 2021-09-23T00:00:00
[value2] => 2021-11-27T00:00:00
[timezone] => Europe/Paris
[timezone_db] => Europe/Paris
[date_type] => date
)
)
)
[field_layout_news] => Array
(
[und] => Array
(
[0] => Array
(
[value] => single
)
)
)
[field_testo_opzionale_news] => Array
(
)
[field_url_en_page] => Array
(
)
[field_url_en_page_label] => Array
(
)
[path] => Array
(
[pathauto] => 1
)
[name] => chiara.mezzalira
[picture] => 0
[data] => a:2:{s:13:"form_build_id";s:37:"form-e496b743db3766e42eb8a4d1ccc1c014";s:14:"wysiwyg_status";a:1:{i:1;i:1;}}
[num_revisions] => 4
[current_revision_id] => 373618
[is_current] => 1
[is_pending] =>
[revision_moderation] =>
[entity_view_prepared] => 1
)
[#items] => Array
(
[0] => Array
(
[value] => Sviluppato uno strumento, attraverso l’approccio di Machine Learning che utilizza l’algoritmo Super Learner, capace di identificare i ricoverati per COVID-19 più a rischio di eventi fatali
[format] =>
[safe_value] => Sviluppato uno strumento, attraverso l’approccio di Machine Learning che utilizza l’algoritmo Super Learner, capace di identificare i ricoverati per COVID-19 più a rischio di eventi fatali
)
)
[#formatter] => text_default
[0] => Array
(
[#markup] => Sviluppato uno strumento, attraverso l’approccio di Machine Learning che utilizza l’algoritmo Super Learner, capace di identificare i ricoverati per COVID-19 più a rischio di eventi fatali
)
)
[links] => Array
(
[#theme] => links__node
[#pre_render] => Array
(
[0] => drupal_pre_render_links
)
[#attributes] => Array
(
[class] => Array
(
[0] => links
[1] => inline
)
)
[node] => Array
(
[#theme] => links__node__node
[#links] => Array
(
[node-readmore] => Array
(
[title] => Read more
about Previsione della mortalità in terapia intensiva Covid-19 grazie a un approccio machine learning
[href] => node/81534
[html] => 1
[attributes] => Array
(
[rel] => tag
[title] => Previsione della mortalità in terapia intensiva Covid-19 grazie a un approccio machine learning
)
)
)
[#attributes] => Array
(
[class] => Array
(
[0] => links
[1] => inline
)
)
)
)
[field_date_box_lancio_news] => Array
(
[#theme] => field
[#weight] => 1
[#title] => Data
[#access] => 1
[#label_display] => above
[#view_mode] => teaser
[#language] => und
[#field_name] => field_date_box_lancio_news
[#field_type] => date
[#field_translatable] => 0
[#entity_type] => node
[#bundle] => box_lancio_news
[#object] => stdClass Object
(
[vid] => 373618
[uid] => 13
[title] => Previsione della mortalità in terapia intensiva Covid-19 grazie a un approccio machine learning
[log] =>
[status] => 1
[comment] => 0
[promote] => 1
[sticky] => 0
[nid] => 81534
[type] => box_lancio_news
[language] => it
[created] => 1632405838
[changed] => 1636631330
[tnid] => 0
[translate] => 0
[revision_timestamp] => 1636631330
[revision_uid] => 13
[body] => Array
(
[und] => Array
(
[0] => Array
(
[value] =>
Il recente studio pubblicato dalla rivista «Journal of Anesthesia, Analgesia and Critical Care» dal titolo Access COVID-19 ICU mortality prediction: a machine learning approach using SuperLearner algorithm, coordinato da Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork, e da Dario Gregori, direttore dell’Unità di Biostatistica epidemiologia e sanità pubblica del Dipartimento di Scienze cardio-toraco-vascolari e sanità pubblica dell’Università di Padova, oltre a sollevare importanti riflessioni sull’indagine dei fattori predittivi di mortalità in terapia intensiva in pazienti affetti da Covid-19, apre lo sguardo sull’importanza di nuove tecniche di analisi di dati clinici tramite Machine Learning, una delle nuove frontiere di formazione per medici e operatori sanitari.
Il Machine Learning (ML o apprendimento automatico) è uno dei principali rami dell’intelligenza artificiale ed è una tecnologia fondamentale per la gestione e la comprensione dell’enorme quantità di dati, sanitari e non, che produciamo quotidianamente. L’uso del ML in medicina permette l’identificazione più rapida e precisa dei meccanismi che sono alla base di una malattia o della sua degenerazione, ma anche per definire una terapia in base alle caratteristiche personali del paziente.
La ricerca, che mette in luce l’età avanzata dei pazienti come uno dei predittori di maggiore mortalità per Covid-19 in terapia intensiva, è il risultato di uno sforzo congiunto tra una rete di anestesisti, rianimatori e biostatistici.
«È importante sottolineare come la consapevolezza della necessità di far rete stia diventando il nuovo modus operandi per far fronte anche alle sfide delle emergenze epidemiologiche - spiega il professor Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork -. Nemmeno le Unità di terapia intensiva sono più un’isola all’interno degli ospedali. Mai come in questi mesi la loro funzione e operatività è stata al centro dell’attenzione pubblica. Le 25 Unità Operative del Veneto lavorano già in rete per raccogliere i dati di ogni ricoverato. Per questo studio abbiamo chiesto il coinvolgimento dei colleghi di Milano e aggiungere la visione di una realtà extra regionale ma ugualmente impegnata sul fronte del Covid-19. Ma soprattutto, la rete che ci ha visto coinvolti in modo innovativo e che ci permette di avere una importante chiave di lettura, è quella creata all’interno del nostro Ateneo tra l’istituto di Anestesia e Rianimazione e l’Unità di Biostatistica del prof. Gregori».
Il lavoro mirava a sviluppare uno strumento, attraverso un approccio di Machine Learning, capace di identificare i ricoverati per Covid-19 più a rischio di eventi fatali. La relazione studiata, quindi, è stata quella tra le caratteristiche dei pazienti e i casi di mortalità, prendendo in esame età, genere, punteggio di valutazione dell'insufficienza d'organo, necessità di ventilazione meccanica invasiva, ventilazione meccanica non invasiva, ossigenazione extracorporea a membrana, emofiltrazione venoso-venosa continua, tracheostomia, re-intubazione, posizione prona durante la degenza in terapia intensiva; e riammissione in terapia intensiva. Questi erano i dati a disposizione e processabili in un momento di emergenza e di grandissimo carico di lavoro nelle 25 terapie intensive del Veneto
Si è basato sui dati di 1616 pazienti ricoverati nelle terapie intensive della Covid-19 Veneto Icu Network e dell’IRCCS Ca’ Granda Ospedale Maggiore Policlinico di Milano dal 28 febbraio 2020 al 4 aprile 2021. I modelli hanno evidenziato l'età come il parametro predittivo più importante sulla mortalità di questi pazienti.
Dall'inizio della pandemia, lo sviluppo di modelli predittivi ha suscitato grande interesse a causa della mancanza iniziale di conoscenze su diagnosi, trattamento e prognosi sull’argomento. Vale la pena notare che sono stati proposti diversi strumenti per la previsione della mortalità dei pazienti Covid-19; tuttavia, è difficile confrontare le loro prestazioni perché ogni modello è stato sviluppato in pazienti con caratteristiche diverse, utilizzando diversi insiemi di variabili e utilizzando tecniche diverse per lo sviluppo del modello stesso.
«Queste tecniche sono lo strumento metodologico alla base della person-centered clinical research (ricerca clinica basata sulla persona) e della medicina personalizzata, fondata sull’analisi dei dati clinici, integrati con algoritmi e con i big data a disposizione - sottolinea il Dario Gregori -. Le variabili cliniche indagate rappresentano solo un piccolo numero di parametri potenzialmente rilevanti e in grado di influenzare gli esiti dei pazienti critici. Inoltre, diversi pazienti avevano registri incompleti, a causa dall'enorme carico di lavoro per i medici di terapia intensiva durante la pandemia di Covid-19. Ciò nonostante, i risultati di questa ricerca rappresentano l’ennesima dimostrazione della grandissima importanza della collaborazione tra biostatistici e medici per meglio capire le dinamiche dell’andamento di ogni malattia”
L’Unità di Biostatistica ha sviluppato tre diversi modelli predittivi, con le tecniche di ML. Ciascun modello includeva diversi set di variabili cliniche. I tre modelli hanno mostrato prestazioni predittive simili: l'età era il predittore principale per tutti i modelli considerati. Gli strumenti impiegati hanno dimostrato diversi punti di forza, tra cui il fatto che sono stati sviluppati su un'ampia coorte multicentrica di pazienti ammessi alle unità di terapia intensiva di due delle regioni italiane più colpite dalla pandemia di Covid-19.
[summary] =>
[format] => 2
[safe_value] =>
Il recente studio pubblicato dalla rivista «Journal of Anesthesia, Analgesia and Critical Care» dal titolo Access COVID-19 ICU mortality prediction: a machine learning approach using SuperLearner algorithm, coordinato da Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork, e da Dario Gregori, direttore dell’Unità di Biostatistica epidemiologia e sanità pubblica del Dipartimento di Scienze cardio-toraco-vascolari e sanità pubblica dell’Università di Padova, oltre a sollevare importanti riflessioni sull’indagine dei fattori predittivi di mortalità in terapia intensiva in pazienti affetti da Covid-19, apre lo sguardo sull’importanza di nuove tecniche di analisi di dati clinici tramite Machine Learning, una delle nuove frontiere di formazione per medici e operatori sanitari.
Il Machine Learning (ML o apprendimento automatico) è uno dei principali rami dell’intelligenza artificiale ed è una tecnologia fondamentale per la gestione e la comprensione dell’enorme quantità di dati, sanitari e non, che produciamo quotidianamente. L’uso del ML in medicina permette l’identificazione più rapida e precisa dei meccanismi che sono alla base di una malattia o della sua degenerazione, ma anche per definire una terapia in base alle caratteristiche personali del paziente.
La ricerca, che mette in luce l’età avanzata dei pazienti come uno dei predittori di maggiore mortalità per Covid-19 in terapia intensiva, è il risultato di uno sforzo congiunto tra una rete di anestesisti, rianimatori e biostatistici.
«È importante sottolineare come la consapevolezza della necessità di far rete stia diventando il nuovo modus operandi per far fronte anche alle sfide delle emergenze epidemiologiche - spiega il professor Paolo Navalesi, direttore della Covid-19 Veneto IcuNetwork -. Nemmeno le Unità di terapia intensiva sono più un’isola all’interno degli ospedali. Mai come in questi mesi la loro funzione e operatività è stata al centro dell’attenzione pubblica. Le 25 Unità Operative del Veneto lavorano già in rete per raccogliere i dati di ogni ricoverato. Per questo studio abbiamo chiesto il coinvolgimento dei colleghi di Milano e aggiungere la visione di una realtà extra regionale ma ugualmente impegnata sul fronte del Covid-19. Ma soprattutto, la rete che ci ha visto coinvolti in modo innovativo e che ci permette di avere una importante chiave di lettura, è quella creata all’interno del nostro Ateneo tra l’istituto di Anestesia e Rianimazione e l’Unità di Biostatistica del prof. Gregori».
Il lavoro mirava a sviluppare uno strumento, attraverso un approccio di Machine Learning, capace di identificare i ricoverati per Covid-19 più a rischio di eventi fatali. La relazione studiata, quindi, è stata quella tra le caratteristiche dei pazienti e i casi di mortalità, prendendo in esame età, genere, punteggio di valutazione dell'insufficienza d'organo, necessità di ventilazione meccanica invasiva, ventilazione meccanica non invasiva, ossigenazione extracorporea a membrana, emofiltrazione venoso-venosa continua, tracheostomia, re-intubazione, posizione prona durante la degenza in terapia intensiva; e riammissione in terapia intensiva. Questi erano i dati a disposizione e processabili in un momento di emergenza e di grandissimo carico di lavoro nelle 25 terapie intensive del Veneto
Si è basato sui dati di 1616 pazienti ricoverati nelle terapie intensive della Covid-19 Veneto Icu Network e dell’IRCCS Ca’ Granda Ospedale Maggiore Policlinico di Milano dal 28 febbraio 2020 al 4 aprile 2021. I modelli hanno evidenziato l'età come il parametro predittivo più importante sulla mortalità di questi pazienti.
Dall'inizio della pandemia, lo sviluppo di modelli predittivi ha suscitato grande interesse a causa della mancanza iniziale di conoscenze su diagnosi, trattamento e prognosi sull’argomento. Vale la pena notare che sono stati proposti diversi strumenti per la previsione della mortalità dei pazienti Covid-19; tuttavia, è difficile confrontare le loro prestazioni perché ogni modello è stato sviluppato in pazienti con caratteristiche diverse, utilizzando diversi insiemi di variabili e utilizzando tecniche diverse per lo sviluppo del modello stesso.
«Queste tecniche sono lo strumento metodologico alla base della person-centered clinical research (ricerca clinica basata sulla persona) e della medicina personalizzata, fondata sull’analisi dei dati clinici, integrati con algoritmi e con i big data a disposizione - sottolinea il Dario Gregori -. Le variabili cliniche indagate rappresentano solo un piccolo numero di parametri potenzialmente rilevanti e in grado di influenzare gli esiti dei pazienti critici. Inoltre, diversi pazienti avevano registri incompleti, a causa dall'enorme carico di lavoro per i medici di terapia intensiva durante la pandemia di Covid-19. Ciò nonostante, i risultati di questa ricerca rappresentano l’ennesima dimostrazione della grandissima importanza della collaborazione tra biostatistici e medici per meglio capire le dinamiche dell’andamento di ogni malattia”
L’Unità di Biostatistica ha sviluppato tre diversi modelli predittivi, con le tecniche di ML. Ciascun modello includeva diversi set di variabili cliniche. I tre modelli hanno mostrato prestazioni predittive simili: l'età era il predittore principale per tutti i modelli considerati. Gli strumenti impiegati hanno dimostrato diversi punti di forza, tra cui il fatto che sono stati sviluppati su un'ampia coorte multicentrica di pazienti ammessi alle unità di terapia intensiva di due delle regioni italiane più colpite dalla pandemia di Covid-19.
[safe_summary] =>
)
)
)
[field_date_box_lancio_news] => Array
(
[und] => Array
(
[0] => Array
(
[value] => 2021-09-23T00:00:00
[timezone] => Europe/Paris
[timezone_db] => Europe/Paris
[date_type] => date
)
)
)
[field_etichetta_box_lancio_news] => Array
(
)
[field_img_box_lancio_news] => Array
(
[und] => Array
(
[0] => Array
(
[fid] => 98138
[uid] => 13
[filename] => n_medicina_tablet.jpg
[uri] => public://n_medicina_tablet.jpg
[filemime] => image/jpeg
[filesize] => 68672
[status] => 1
[timestamp] => 1632406044
[type] => image
[field_file_image_alt_text] => Array
(
)
[field_file_image_title_text] => Array
(
)
[field_folder] => Array
(
[und] => Array
(
[0] => Array
(
[tid] => 2048
)
)
)
[metadata] => Array
(
[height] => 630
[width] => 1200
)
[height] => 630
[width] => 1200
[alt] => dati medici
[title] =>
)
)
)
[field_link_alla_news] => Array
(
)
[field_link_esterno_news] => Array
(
)
[field_pagina_associata] => Array
(
)
[field_link_etichetta] => Array
(
)
[field_abstract_news] => Array
(
[und] => Array
(
[0] => Array
(
[value] => Sviluppato uno strumento, attraverso l’approccio di Machine Learning che utilizza l’algoritmo Super Learner, capace di identificare i ricoverati per COVID-19 più a rischio di eventi fatali
[format] =>
[safe_value] => Sviluppato uno strumento, attraverso l’approccio di Machine Learning che utilizza l’algoritmo Super Learner, capace di identificare i ricoverati per COVID-19 più a rischio di eventi fatali
)
)
)
[field_allegato_news] => Array
(
)
[field_categorie_news] => Array
(
[und] => Array
(
[0] => Array
(
[tid] => 2264
)
[1] => Array
(
[tid] => 2267
)
[2] => Array
(
[tid] => 2462
)
)
)
[field_pub_date] => Array
(
[und] => Array
(
[0] => Array
(
[value] => 2021-09-23T00:00:00
[value2] => 2021-11-27T00:00:00
[timezone] => Europe/Paris
[timezone_db] => Europe/Paris
[date_type] => date
)
)
)
[field_layout_news] => Array
(
[und] => Array
(
[0] => Array
(
[value] => single
)
)
)
[field_testo_opzionale_news] => Array
(
)
[field_url_en_page] => Array
(
)
[field_url_en_page_label] => Array
(
)
[path] => Array
(
[pathauto] => 1
)
[name] => chiara.mezzalira
[picture] => 0
[data] => a:2:{s:13:"form_build_id";s:37:"form-e496b743db3766e42eb8a4d1ccc1c014";s:14:"wysiwyg_status";a:1:{i:1;i:1;}}
[num_revisions] => 4
[current_revision_id] => 373618
[is_current] => 1
[is_pending] =>
[revision_moderation] =>
[entity_view_prepared] => 1
)
[#items] => Array
(
[0] => Array
(
[value] => 2021-09-23T00:00:00
[timezone] => Europe/Paris
[timezone_db] => Europe/Paris
[date_type] => date
)
)
[#formatter] => date_default
[0] => Array
(
[#markup] =>
Gio, 23/09/2021
)
)
)
