Valutazione delle strategie di imputazione per dati temporali mancanti in terapia intensiva usando scenari ispirati al mondo reale

Perché colmare i vuoti nei dati è importante per i pazienti in terapia intensiva

Nelle moderne unità di terapia intensiva, ogni battito cardiaco, respiro e impulso di pressione arteriosa viene registrato come un flusso continuo di numeri. Eppure nella pratica questi flussi sono pieni di buchi: i sensori si staccano, i pazienti si allontanano dal letto per esami e i dispositivi vengono spenti per brevi periodi. Quando medici e algoritmi usano questi registri incompleti per prevedere il futuro del paziente o guidare la terapia, il modo in cui «riempiamo» i pezzi mancanti può modificare sottilmente la storia raccontata dai dati. Questo studio pone una domanda pratica dalle grandi implicazioni: tra una vasta gamma di strategie di riempimento—da semplici linee rette a tecniche d’avanguardia di intelligenza artificiale—quali funzionano meglio nei tipi di assenze di dati che avvengono realmente nelle UTIC?

Uno sguardo più approfondito ai segni vitali in terapia intensiva

I ricercatori hanno utilizzato MIMIC-IV, un ampio database pubblico di degenze in terapia intensiva anonimizzate di un ospedale statunitense. Si sono concentrati su 26.167 degenze di adulti ed hanno esaminato le prime 48 ore dopo il ricovero in terapia intensiva, tracciando quattro segni vitali monitorati continuamente al letto del paziente: frequenza cardiaca, saturazione dell’ossigeno nel sangue, frequenza respiratoria e pressione arteriosa media. Per mantenere i segnali realistici sono state rimosse rilevazioni ovviamente impossibili e tutte le misure sono state sintetizzate con cadenza oraria. Qualsiasi ora priva di un valore registrato per un dato segno vitale è stata trattata come mancante. Sebbene solo circa il 4% di tutti i valori fosse assente, il team ha scoperto che questi vuoti non erano distribuiti casualmente—spesso si raggruppavano verso la fine della finestra di 48 ore e talvolta interessavano contemporaneamente diversi segni vitali.

Come sono stati ricreati i buchi osservati nella realtà

Invece di inventare schemi puramente artificiali di valori mancanti, gli autori hanno costruito tre scenari ispirati a quanto osservato nei dati grezzi e a ciò che i clinici vedono al letto del paziente. Nel primo, singole rilevazioni sono state cancellate a caso, simulando misurazioni occasionalmente perse. Nel secondo, blocchi di 1-3 ore su tutti e quattro i segni vitali sparivano insieme, rappresentando i momenti in cui un paziente è lontano dai monitor—ad esempio durante una TAC. Nel terzo, un singolo segno vitale—per esempio la pressione arteriosa—veniva rimosso per un intervallo continuo di 4 ore, richiamando il malfunzionamento di un sensore o la dislocazione di una sonda. Ciascuno scenario ha rimosso circa il 30% dei dati, costituendo una prova severa per qualsiasi metodo che si proponesse di ricostruire le curve originali.

Vecchi trucchi contro l’intelligenza artificiale moderna

Il team ha quindi confrontato un ampio insieme di metodi di ricostruzione. Le semplici soluzioni includevano riempire ogni buco con il valore medio del paziente, riportare in avanti l’ultima lettura osservata o tracciare una linea retta tra i punti noti più vicini. Strumenti statistici più avanzati hanno cercato di prevedere i valori mancanti a partire dagli altri segni vitali, ma in tal modo hanno dovuto appiattire la dimensione temporale trattando ogni ora come una riga di tabella. All’altro estremo c’erano modelli di deep learning—Transformer, reti ricorrenti e modelli generativi—that apprendono esplicitamente pattern nel tempo e tra le variabili. Tutti i modelli sono stati addestrati su dati in cui il 30% dei valori era nascosto a caso, quindi testati su ciascuno dei tre scenari di mascheramento. La performance è stata valutata sulla distanza tra le ricostruzioni e i numeri originali, con particolare attenzione agli errori nella pressione arteriosa media, un segnale cruciale per la gestione della circolazione.

Cosa ha funzionato, quando e in che misura

Nel complesso, i modelli più sofisticati—in particolare un approccio basato su Transformer e una rete generativa avversaria—hanno prodotto gli errori medi più bassi, soprattutto quando i buchi erano brevi o sparsi. Tuttavia, un metodo umile—l’interpolazione lineare—si è comportato sorprendentemente bene, avvicinandosi a questi modelli neurali in molte situazioni. Strumenti statistici che ignoravano l’ordine delle misurazioni, come foreste casuali e equazioni concatenate, sono rimasti indietro nonostante la loro complessità. Anche la forma dei buchi contava. Quando i valori mancavano in modo casuale, tutti i metodi sembravano migliori, offrendo un’immagine eccessivamente ottimistica della loro accuratezza. Buchi lunghi e continui nel registro, specialmente per diverse ore o a causa di un singolo sensore guasto, si sono rivelati molto più difficili da riempire correttamente. In questi scenari più difficili, i migliori metodi di deep learning degradavano in modo più graduale rispetto agli approcci semplici, ma i miglioramenti erano spesso modesti quando riportati in unità reali di pressione arteriosa.

Perché i risultati sono importanti per le decisioni al letto del paziente

Per gli intervalli quotidiani di pressione arteriosa, la differenza tra i migliori modelli di deep learning e una semplice interpolazione era spesso di pochi millimetri di mercurio—tipicamente troppo piccola per modificare la decisione di un medico. Eppure tutti i metodi, inclusi i più avanzati, hanno avuto difficoltà quando la pressione arteriosa era molto bassa o molto alta—i momenti in cui il monitoraggio accurato è più importante. Lo studio conclude che scegliere come gestire i dati mancanti in terapia intensiva dipende tanto dal capire come e dove si verificano i buchi quanto dalla scelta dell’algoritmo più moderno. I modelli sofisticati possono offrire guadagni incrementali, in particolare per buchi più lunghi o complessi, ma metodi semplici e trasparenti possono essere più che adeguati per molti usi pratici. È fondamentale osservare che un migliore riempimento dei buchi non garantisce automaticamente modelli predittivi migliori; lavori futuri devono verificare come queste scelte di ricostruzione si ripercuotono sulle decisioni cliniche reali.

Citazione: Poette, M., Mouysset, S., Ruiz, D. et al. Benchmarking imputation strategies for missing time-series data in critical care using real-world-inspired scenarios. Sci Rep 16, 8116 (2026). https://doi.org/10.1038/s41598-026-39035-z

Parole chiave: Dati temporali in UTIC, dati mancanti, metodi di imputazione, deep learning, segni vitali