La dott.ssa Di Liberto presenta la tesi infermieristica sull’identificazione precoce della sepsi

NurseTimes è l’unica Testata Giornalistica Sanitaria Italiana (Reg. Trib. Bari n. 4 del 31/03/2015) gestita da Infermieri, quotidiano divenuto punto di riferimento per tutte le professioni sanitarie

Sono numerose le tesi di laurea che arricchiscono il nostro progetto editoriale denominato NeXT che permette ai neolaureati in medicina, infermieristica e a tutti i professionisti della sanità di poter pubblicare la propria tesi di laurea sul nostro portale ([email protected]).

Ogni pubblicazione su NurseTimes è spendibile nei concorsi e avvisi pubblici.

Riceviamo la tesi della dott.ssa Federica Di Liberto, laureatasi presso l’Università degli Studi di Pavia.

L’identificazione precoce della sepsi: il modello Machine Learning a confronto con i tradizionali strumenti di screening della sepsi. Revisione della Letteratura.

ABSTRACT

SCARICA LA TUA TESI

Background: la sepsi è una disfunzione organica potenzialmente letale causata da una risposta incontrollata dell’ospite a un’infezione. La sepsi continua ad essere un problema a livello globale a causa del suo alto tasso di mortalità: nel 2017 si sono verificati quasi 50 milioni di casi di sepsi nel mondo e circa 11 milioni di decessi correlati, corrispondenti a circa il 20% dei decessi totali. In Europa, secondo le ultime stime, la sepsi colpisce 1,4 milioni di persone; circa 250 mila solo in Italia, di cui 1 su 4 non sopravvive.

Il tempestivo riconoscimento ed inizio di un trattamento adeguato hanno un significativo impatto sulla sopravvivenza e sulla morbilità associata. Nonostante i chiari vantaggi, l’identificazione precoce e accurata della sepsi rimane un difficile problema clinico.

Attualmente, gli strumenti di screening disponibili come NEWS, MEWS, SOFA, q-SOFA e criteri SIRS, non sono sufficienti per identificare con precisione i pazienti settici.

Sta emergendo uno strumento innovativo, basato sul Machine Learning, per identificare precocemente i pazienti con la sepsi e favorire delle cure tempestive.

Obiettivo: l’obiettivo è ricercare in letteratura evidenze scientifiche a supporto dell’efficacia del metodo di Apprendimento Automatico (Machine Learning) nell’identificazione precoce di sepsi, con conseguente riduzione dei tempi di degenza e della mortalità, rispetto all’utilizzo dei tradizionali strumenti, quali: NEWS, MEWS, SOFA, q-SOFA e criteri SIRS.

Materiali e metodi: la scelta degli studi utilizzati in questa revisione è stata effettuata consultando le banche scientifiche PubMed e CINAHL; sono stati identificati 54 studi: dopo successivi screening sulla base della lettura e analisi di titolo, abstract, full text, in relazione a specifici criteri di inclusione, ed una ulteriore ricerca secondo ancestry approach, sono stati inclusi 9 studi.

Risultati: gli outcome degli studi pongono a confronto i tradizionali strumenti di screening con alcune tipologie di Machine Learning. Gli indicatori utilizzati a dimostrare l’efficacia sono l’AUROC e il tempo di predizione della sepsi. Dall’analisi degli studi scaturiscono, conseguentemente, quattro tematiche principali di discussione: identificazione precoce dell’evento fino a 48 ore prima, riduzione dei falsi allarmi, riduzione della durata della degenza ospedaliera e riduzione della mortalità ospedaliera correlata alla sepsi.

Conclusioni: I risultati suggeriscono che i modelli basati sul Machine Learning sono più efficaci nel prevedere precocemente i pazienti con sepsi rispetto ai tradizionali strumenti di identificazioni, quali NEWS, MEWS, SOFA, q-SOFA e criteri SIRS.

L’impatto clinico di questi modelli basati sul Machine Learning potrebbe essere significativo per i pazienti e per il personale clinico, poiché permette una diminuzione della durata della degenza, della mortalità ospedaliera correlata alla sepsi ed una diminuzione dei falsi allarmi. La gestione del Machine Learning può essere parte di acquisizione di competenze da parte dell’infermiere che rappresenta la figura che effettua la prima valutazione e la rivalutazione del paziente.

Key words: sepsis, machine learning

Federica Di Liberto

Allegato

Tesi: “L’identificazione precoce della sepsi: il modello Machine Learning a confronto con i tradizionali strumenti di screening della sepsi. Revisione della Letteratura”