Machine learning e cure palliative

Numerose evidenze scientifiche hanno indicato nel dolore un fattore di rischio per le condizioni di salute dei pazienti, di natura sia cronica sia acuta.
Questa fastidiosa sensazione può infatti incidere negativamente sulla ritenzione idrica, favorire un innalzamento della glicemia e, in alcuni casi, avere effetti negativi sul cuore: tutte situazioni che possono determinare, a loro volta, esiti avversi in un percorso di cura.
Un esempio è il postoperatorio, ma lo stesso si può dire anche di altri ambiti.

Quando si parla poi del fine vita, il dolore toglie spesso all’individuo la possibilità di morire serenamente.

Le Unità di Cure Palliative nascono proprio per contrastare il dolore attraverso tecniche e farmaci ad hoc. Quando si parla di dolore, di norma la quantificazione dell’intensità del dolore è lasciata nelle mani degli stessi clinici, che dovrebbero utilizzare apposite scale.
Esiste, però, un certo margine soggettivo che sarebbe interessante bypassare per poter offrire a tutti i soggetti che provano dolore un iter uniforme ed efficace.
L’intelligenza artificiale, e in particolare la tecnologia delle machine learning, possono essere d’aiuto ai clinici in questo frangente, essendo in grado di identificare pattern comuni partendo da una serie di dati e di “prendere” decisione basate.

Quante sono le sperimentazioni in questo senso? Per rispondere a questa domanda, un team del Trinity College di Dublino ha condotto una review di quanto presente in letteratura, evidenziando un ruolo positivo del machine learning nell’individuare sia i pazienti a rischio di eventi avversi associati al dolore sia quelli a rischio di essere avviati a trattamenti inadeguati.

Lo studio ha preso in considerazione articoli pubblicati su 7 database (EMBASE, MEDLINE, Cochrane Library, PsycINFO, WOS, SCOPUS and ECONLIT), identificandone tre adatti alla ricerca: un numero decisamente basso che però ha permesso di verificare che le machine learning, anche in questo contesto, sono efficaci quando il database su cui operano sia forte e ricco di informazioni.
Al contrario, database contenenti solo dati amministrativi si sono mostrati inadeguati.

Inoltre, il machine learning si è rivelato efficace in particolare su pazienti ospedalizzati.
Ulteriori studi potrebbero rafforzare questi risultati.

(Storick V, O’Herlihy A, Abdelhafeez S et al. Improving palliative care with machine learning and routine data: a rapid review [version 2; peer review: 3 approved]. HRB Open Res 2019, 2:13)

Stefania Somaré

LASCIA UN COMMENTO

Please enter your comment!
Please enter your name here