In generale, l’IA e vari modelli di machine-learning (MLM) hanno dimostrato un potenziale significativo nella gestione della sepsi, migliorando la capacità di prevedere, diagnosticare e fornire un trattamento individualizzato.

Nella previsione della sepsi sono emersi due approcci principali. Il primo sfrutta i dati raccolti da sistemi elettronici di registrazione dei dati sanitari, che includono dati clinici e di laboratorio longitudinali, mentre il secondo si basa sul monitoraggio continuo dei parametri vitali, come la frequenza cardiaca, la pressione sanguigna e la saturazione dell’ossigeno. Si tratta di metodi i cui vantaggi potrebbero essere definiti complementari: infatti mentre i dati derivanti dai sistemi elettronici forniscono una panoramica storica e contestuale dello stato del paziente, il monitoraggio continuo permette di individuare i cambiamenti rapidi. Tuttavia sono ancora pochi i tool che integrano entrambi i metodi.

Alcuni algoritmi sono stati in grado di prevedere l’insorgenza della sepsi con diverse ore di anticipo.

Dal punto di vista diagnostico, l’IA ha dimostrato vantaggi rispetto ai punteggi tradizionali come SIRS, SOFA e qSOFA, identificando la sepsi in modo più rapido e accurato. Gli studi valutati hanno riportato anche un aumento della sensibilità e della specificità dei MLM nella diagnosi di sepsi all’interno di ambienti particolari come le Unità di Terapia Intensiva e i Pronto Soccorso, nonché una riduzione dei costi sanitari, dei tempi di degenza in ospedale e in Unità di Terapia Intensiva, dei tassi di complicanze, della morbilità e della mortalità, con un miglioramento degli esiti complessivi per i pazienti.

I modelli devono essere specifici non solo per il singolo centro, ma anche per il setting (per es. UTI o PS).

Infine l’IA si è configurata come un importante supporto alla personalizzazione del trattamento della sepsi, consentendo un avvio tempestivo della terapia antibiotica e favorendo una gestione terapeutica “su misura” per il fenotipo del singolo paziente.

Ma se i risultati ottenuti sono così positivi, perché l’implementazione di IA e MLM è ancora limitata? Le ragioni sono molteplici: il fatto che la performance del modello varia in funzione del setting clinico, la cattiva comprensione del “funzionamento” di tali tool da parte dei clinici, che potrebbero temere di non essere in grado di individuare un potenziale errore del sistema, la bassa sensibilità e gli alti tassi di falsi positivi di certi modelli e, non da ultima, la necessità di una validazione esterna rigorosa per poter trasferire i modelli a setting sanitari/popolazioni più ampie. Non mancano poi quei freni che si associano agli strumenti che raccolgono dati personali, tra cui la privacy.

La strada da percorrere è ancora lunga, ma i risultati fanno sperare in una futura implementazione di questi tool a supporto del giudizio del clinico.