Sviluppare un modello di intelligenza artificiale, quale che sia l’ambito di applicazione, richiede anzitutto la definizione degli elementi da esaminare, le informazioni e i dati sui quali basare le analisi automatiche del sistema.
L’obiettivo di uno studio iraniano è identificare gli elementi necessari per creare un sistema di supporto all’interpretazione dell’emogasanalisi come set di dati. L’emogasanalisi è un esame che consente di misurare in modo preciso, partendo da un campione di sangue arterioso, la pressione parziale di ossigeno, la pressione parziale di anidride carbonica e il pH arterioso. A seconda delle esigenze cliniche, il prelievo arterioso può essere effettuato a livello di arteria radiale, arteria brachiale o arteria femorale. Una volta effettuato il prelievo il sangue viene analizzato con un emogasanalizzatore che, in pochi minuti, offre i suoi risultati, che devono essere interpretati in base alle caratteristiche del paziente.
Questo esame di norma effettuato su un paziente critico, instabile o con difficoltĂ respiratorie, permette infatti di valutarne la ventilazione del paziente, lo stato metabolico, l’emoglobina e gli elettroliti presenti nel plasma. Se consideriamo però la pressione arteriosa di ossigeno, questa tende a diminuire con l’etĂ , per cui uno stesso valore, per esempio di 80 mmHg, può essere indice di problematiche in un giovane e non in un anziano. Oppure, un paziente con BPCO potrebbe avere valori di emogasanalisi che non rispettano le apparenti condizioni fisiologiche, ma solo perchĂ© lo stato cronico ha permesso di effettuare delle compensazioni interne.
Insomma, la profonda conoscenza e valutazione del paziente è il primo passo per leggere al meglio i risultati di una emogasanalisi, tant’è che le linee guida Advanced Life Support – Als la Italian Resuscitation Council ricorda di osservare il paziente prima di effettuare il prelievo arterioso. Ma torniamo allo studio iraniano, condotto presso il Nemazee Hospital di Shiraz: gli autori hanno unito i risultati di una revisione della letteratura con quelli di una procedura di consenso di esperti, utilizzando infine la tecnica Delphi per individuare gli aspetti ricorrenti e quindi stabilire il dataset su cui poi costruire, in un secondo momento, un modello di intelligenza artificiale capace di supportare il medico nell’interpretazione dei sei parametri offerti dalla emogasanalisi. La velocitĂ di diagnosi, in questo contesto, è molto importante perchĂ© gli equilibri errati acido/base, ma non solo, possono provocare danni seri e irreversibili al corpo.
Ecco allora i dati che devono essere introdotti nel dataset di partenza: informazioni personali, dettagli del ricovero, patologie presenti, storia medica, stato sociale, esame fisico, indagine paraclinica, indice SOFA (Sequential Organ Failure Assessment), errori di campionamento, parametri dell’emogasanalisi. Come si vede, questi ultimi sono affiancati da molte altre informazioni significative per l’interpretazione finale. Grazie a questo dataset di partenza gli autori sono certi di migliorare il processo di decisione clinica. Da qui si partirĂ per elaborare un modello di intelligenza artificiale da usare in questo contesto medico.
(Lo studio: Zare, S., Meidani, Z., Ouhadian, M. et al. Identification of data elements for blood gas analysis dataset: a base for developing registries and artificial intelligence-based systems. BMC Health Serv Res 22, 317 (2022). https://doi.org/10.1186/s12913-022-07706-y)
Stefania Somaré
