Descrizione e scopo
La ventilazione meccanica non invasiva (NIV) è ampiamente utilizzata nei pazienti con insufficienza respiratoria acuta ipossiemica (AHRF), ma il suo fallimento è frequente e il ritardo nell’intubazione peggiora gli esiti clinici. Gli score disponibili predicono poco efficacemente il fallimento precoce. Evidenze recenti indicano meccanismi fisiopatologici complessi e interagenti. Il progetto raccoglie dati multimodali integrati con intelligenza artificiale per identificare precocemente i pazienti ad alto rischio di fallimento della NIV.
Finalità
Le finalità del progetto sono state l’integrazione di tecniche avanzate di monitoraggio (meccanica respiratoria, imaging non invasivo e biomarcatori) per sviluppare, mediante intelligenza artificiale, un modello predittivo precoce del fallimento della NIV. L’obiettivo primario è stato il fallimento della NIV, definito come necessità di intubazione. Le finalità secondarie hanno incluso VFDs, sopravvivenza e l’analisi dei meccanismi fisiopatologici coinvolti.
Risultati attesi
I risultati attesi sono stati lo sviluppo di uno strumento predittivo basato su intelligenza artificiale per l’identificazione precoce dei pazienti ad alto rischio di fallimento della NIV nelle prime fasi del ricovero in terapia intensiva. Il progetto ha inoltre fornito uno strumento di stratificazione del rischio utilizzabile in futuri studi clinici e ha contribuito a chiarire i principali meccanismi fisiopatologici coinvolti nel fallimento della NIV.
Risultati raggiunti
Nel progetto sono stati ottenuti risultati rilevanti attraverso l’applicazione di tecniche di analisi avanzata (e.g. clustering non supervisionato) per l’identificazione di fenotipi fisiopatologici distinti nei pazienti con insufficienza respiratoria. I cluster identificati mostrano profili differenziati di meccanica respiratoria, distribuzione della ventilazione e risposta clinica. Il confronto sistematico dei biomarker di danno polmonare ha evidenziato associazioni specifiche tra fenotipi, specificità dei pazienti e del danno e outcome clinici, supportando un approccio di medicina personalizzata.
