Statistical modelling and statistical learning frameworks for advanced monitoring in the intensive care unit

This thesis proposes the application of statistical learning and modelling frameworks for the advanced monitoring of Intensive Care Unit patients. In particular, this work investigates and validates the usefulness and power of statistical learning and statistical modelling frameworks in several clinical contexts by exploiting the information routinely collected during the standard care pathway. This work highlight important methodological and clinical considerations from three major specific research aims. Aim 1 is devoted to the handling and processing of information from large clinical databases. Aim 2 describes the characterization of the physiologic response of ICU patients monitoring through advanced modelling of the cardiovascular system, and Aim 3 focuses on researching the fusion of AI tools and physiology-related indices. Each research aim is focused on different clinical scenarios. Aim 1 proposes the application of a competing risk extended cox proportional hazard model to characterize the importance of dead space monitoring in patients undergoing mechanical ventilation due to COVID-19, and the application of a reinforcement learning approach for optimal fluid and vasopressor interventions. Research Aim 2 focuses on the application of statistical physiological modelling frameworks in order to assess the physiological changes induced by the administration of fluids, and to characterize the dynamic evolution of physiological parameters in patients with heart failure. Research Aim 3 proposes the combination of statistical learning and physiological modelling frameworks in the context of sepsis and septic shock prediction. Overall, the obtained results achieved along all Aims show the general ability and importance of statistical learning and modelling frameworks in optimizing patient treatment and monitoring, and in providing physiology-informed prediction tools that can improve both models’ performances and explainability.

Questa tesi propone l'applicazione di metodi di apprendimento e modellizzazione statistica per il monitoraggio avanzato dei pazienti ammessi in Terapia Intensiva (TI). In particolare, questo lavoro indaga e valida l'utilità e la potenza dei metodi di apprendimento e modellizzazione statistica in diversi contesti clinici, sfruttando le informazioni raccolte durante il decorso del paziente in TI. Questo lavoro evidenzia importanti considerazioni metodologiche e cliniche attraverso tre principali obiettivi di ricerca. L'obiettivo 1 è dedicato alla gestione e all'elaborazione delle informazioni provenienti da grandi database clinici. L'obiettivo 2 descrive la caratterizzazione della risposta fisiologica dei pazienti in TI attraverso una modellizzazione avanzata del sistema cardiovascolare, mentre l'obiettivo 3 si concentra sulla fusione degli indici fisiologici, estratti tramite modellizzazione statistica del sistema cardiovascolare, con gli strumenti di intelligenza artificiale. Ogni obiettivo di ricerca è focalizzato su diversi scenari clinici. L'obiettivo 1 propone l'applicazione di un modello esteso di Cox a rischio competitivo per caratterizzare 'importanza del monitoraggio dello spazio morto nei pazienti sottoposti a ventilazione meccanica causato dal COVID-19, e l'applicazione di un approccio di apprendimento rinforzato per interventi ottimali di fluidi e vasopressori. L'obiettivo di ricerca 2 si concentra sull'applicazione di modelli statistici fisiologici per valutare i cambiamenti fisiologici indotti dalla somministrazione di fluidi e per caratterizzare l'evoluzione dinamica dei parametri fisiologici nei pazienti con insufficienza cardiaca. L'obiettivo di ricerca 3 propone la combinazione di apprendimento statistico e modellizzazione fisiologica nel contesto della previsione della sepsi e dello shock settico. Nel complesso, i risultati ottenuti in tutti gli obiettivi di ricerca affrontati dimostrano la capacità e l'importanza generale dell'apprendimento e modellizzazione statistica nell'ottimizzare il trattamento e il monitoraggio dei pazienti in TI. Inoltre, i risultati mostrano che l'aggiunta di informazioni legate allo stato fisiologico del paziente agli strumenti di previsione possono migliorare le prestazioni e la spiegabilità dei modelli.