Els resultats del treball, a càrrec d’un equip investigador de la URV, Hospital Joan XXIII i l’IISPV,  permetrien reduir potencialment la taxa actual de reintubacions del 9% fins a l’1% a partir d’eines d'aprenentatge automàtic. S’han recopilat dades d’un miler de pacients de les UCI amb dificultats respiratòries que han estat tractades i analitzades per poder crear aquesta eina

Prop de la meitat dels pacients ingressats en una unitat de cures intensives (UCI) requereix ventilació mecànica invasiva (VMI), un procediment mèdic que permet garantir una aportació suficient d’oxigen als òrgans i teixits de les persones ingressades. Es tracta d’una teràpia que substitueix la respiració espontània dels pacients i els connecta a un equip. El seu ús s’ha generalitzat aquests darrers mesos en pacients afectats per la covid-19 que han arribat a les UCI.

Tot i que sovint és vital per al pacient, la ventilació mecànica invasiva no està exempta de riscos, com ara les lesions accidentals durant la intubació o extubació o l’atròfia dels músculs responsables de la respiració. Els metges intensivistes, doncs, han de trobar l’equilibri entre mantenir el pacient intubat mentre no pugui respirar per si mateix i no tenir-lo intubat més temps del necessari per iniciar la recuperació. D’acord amb els criteris actuals, una extubació es considera fallida si el pacient requereix ser novament intubat (reintubació) passades 48 hores de la retirada de la ventilació mecànica invasiva .

Per evitar al màxim les reintubacions, un equip de recerca multidisciplinari integrat per metges de la UCI de l’Hospital Universitari Joan XXIII de Tarragona – Institut d’Investigació Sanitària Pere Virgili i del grup de recerca Ecommfit, del Departament d’Enginyeria Mecànica de la Universitat Rovira i Virgili, ha desenvolupat un model matemàtic que permet predir quin serà el resultat d’una extubació practicada en un pacient adult en estat crític amb ventilació mecànica invasiva .

L’estudi s’ha dut a terme emprant un conjunt massiu i heterogeni de dades provinents de diferents fonts incloent-hi equips de monitoratge del pacient, dades demogràfiques (edat, sexe, pes, etc.), dades clíniques obtingudes en el moment d’admissió a la UCI i registres d’incidències del personal mèdic. Emprant tècniques d’aprenentatge automàtic (machine learning en anglès), ha estat possible determinar la complexa relació entre totes aquestes variables que han permès crear models capaços de copsar part de la complexitat d’allò que passa en el pacient.

L’equip investigador de la UCI de l’Hospital Universitari Joan XXIII, liderat per la intensivista Maria Bodí (cap de servei de la UCI) i el científic de dades Josep Gómez, ha recopilat dades d’aproximadament mil pacients adults amb dificultats respiratòries ingressats en els últims cinc anys a la UCI. Posteriorment les ha tractat i analitzat  un grup de recerca del Departament d’Enginyeria Mecànica, liderat per l’investigador Alexandre Fabregat.

Els resultats del treball, publicat a la revista Computer Methods and Programs in Biomedicine, demostren que és possible reduir potencialment la taxa actual de reintubacions del 9% fins a l’1% , de manera que es minimitzen els riscos per al pacient. Els esforços de l’equip se centren ara a incorporar aquest model en els sistemes de monitoratge de la UCI per  facilitar-ne l’accés i obtenir una predicció ràpida. Un cop desplegat, el model es posarà a prova per  demostrar-ne l’efectivitat.

Referència bibliogràfica: Alexandre Fabregat, Mónica Magret, Josep Anton Ferré, Anton Vernet, Neus Guasch, Alejandro Rodríguez, Josep Gómez, María Bodí, “A Machine Learning decision-making tool for extubation in Intensive Care Unit patients”, Computer Methods and Programs in Biomedicine, 2020, 105869, ISSN 0169-2607, https://doi.org/10.1016/j.cmpb.2020.105869.