L'AI per predire il tasso di mortalità per infarto

L’infarto miocardico acuto (IMA), meglio conosciuto come malattia coronarica, è la principale causa di morte negli Stati Uniti, e nel 2035, si stima che quasi la metà degli adulti ne soffrirà in qualche modo. La maggior parte delle incidenze di IMA si verificano in assenza di sintomi evidenti, come dolore al petto o mancanza di respiro, dunque prevederne le conseguenze non è per nulla semplice.

I ricercatori della Florida State University e dell’Università della Florida a Gainesville stanno però sperimentando un modo con cui l’intelligenza artificiale possa aiutare a prevedere concretamente la mortalità a un anno nei pazienti che hanno subito un episodio di infarto. Il periodo di 12 mesi è stato scelto perché consente il confronto con altri studi e riesce a prendere in considerazione pazienti con più ricoveri sul breve termine.

Lo studio ha sviluppato e valutato vari modelli di apprendimento automatico per prevedere la percentuale di decesso in persone con diagnosi da infarto miocardico acuto o sindrome da infarto post-miocardico. Come punto di partenza, gli autori hanno scelto MIMIC-III, un database liberamente accessibile e gestito dal MIT Lab for Computational Physiology. Questo contiene 58 mila ricoveri ospedalieri da 40 mila pazienti. La lista è stata ridotta a poco più di 5 mila, selezionando caratteristiche specifiche, considerate come “predittori di mortalità”, quali la funzionalità renale ed epatica, la demografia, i valori di laboratorio che valutano la salute generale e vari marker cardiaci.

I ricercatori hanno elaborato le informazioni per rimuovere duplicati, trattamenti multipli per la stessa voce, errori di caricamento e valori anomali. Waikato Environment for Knowledge Analysis (WEKA), un software basato su Java e sviluppato presso l’Università di Waikato, in Nuova Zelanda, è stato l’alleato per comparare le performance su vari schemi di machine learning. Utilizzando il framework open source di Google, TensorFlow, il team ha addestrato più di una dozzina di algoritmi di classificazione, inclusi AdaBoost, Attribute Selected Classifier, Bayes Net, Classification Via Regression e Decision Stump. Il risultato?

Nei test, due modelli di AI, Logistic Model Trees (LMT) e Simple Logistic hanno ottenuto risultati migliori rispetto al resto, con un’accuratezza pari all’85,12% nell’identificazione del 30% dei pazienti dal set di dati (1,629) deceduti entro un anno dall’ammissione. È interessante notare come un modello di rete neurale del genere, con strati di funzioni matematiche che mimano vagamente i neuroni comportamentali nel cervello umano, abbia superato tutti gli algoritmi concorrenti nelle capacità di realizzare inferenze di senso contestuali e, potenzialmente, rivoluzionare per la medicina.