La FDA ha approvato un sistema di intelligenza artificiale sviluppato dai ricercatori della Johns Hopkins University e commercializzato da Bayesian Health per il riconoscimento precoce della sepsi nei pazienti ospedalizzati.
Il sistema analizza in tempo reale i dati delle cartelle cliniche elettroniche e identifica i pazienti a rischio di sepsi ore prima rispetto ai medici, con una riduzione documentata della mortalità di quasi il 20%.
Questo risultato proviene da uno studio del 2022 pubblicato su Nature Medicine e sottoposto a revisione paritaria , condotto su 764.707 pazienti (di cui 17.538 con sepsi) in cinque ospedali, sia accademici che territoriali, con oltre 2.000 operatori sanitari che utilizzavano il software. Questa ricerca ha dimostrato un’accurata diagnosi precoce (1 caso su 3 confermato dal medico) con un’elevata sensibilità (82%) e un significativo anticipo (5,7 ore prima), nonché un’elevata adozione da parte degli operatori sanitari (89%), un tasso raramente riscontrato nell’IA clinica, dove la maggior parte degli strumenti viene ignorata o disattivata.
Si tratta di uno dei primi strumenti basati su AI ad ottenere l’approvazione FDA come sistema di allerta clinica per una delle condizioni più letali in ambito ospedaliero — la sepsi causa oltre 270.000 morti l’anno negli USA e rappresenta la principale causa di morte ospedaliera a livello mondiale.
RILEVANZA CLINICA:
Per medici ospedalieri, intensivisti, infermieri e amministratori sanitari, questo sistema rappresenta un cambio di paradigma nella prevenzione della mortalità da sepsi: un alert automatico nelle prime ore può fare la differenza tra sopravvivenza e morte. Impatto immediato per i reparti di medicina interna, pronto soccorso e terapia intensiva di tutto il mondo.
Leggi abstract dell’articolo:
- Adams, R., Henry, K.E., Sridharan, A. et al. Prospective, multi-site study of patient outcomes after implementation of the TREWS machine learning-based early warning system for sepsis.
Nat Med 28, 1455–1460 (2022). https://doi.org/10.1038/s41591-022-01894-0
Fonte: Johns Hopkins University – Bayesian Health
