What Drives Length of Stay After Elective Spine Surgery? Insights from a Decade of Predictive Modeling

Sintesi Tecnica: Cosa guida la durata della degenza dopo la chirurgia spinale elettiva? Approfondimenti da un decennio di modellazione predittiva

Definizione del problema
Prevedere la durata della degenza (Length of Stay, LOS) per i pazienti sottoposti a chirurgia spinale elettiva è fondamentale per ottimizzare i risultati dei pazienti, gestire la capacità ospedaliera e controllare i costi, che ammontano mediamente a circa 2.883 dollari per ogni giorno di ricovero. Sebbene i metodi computazionali come l'Intelligenza Artificiale (IA) e il Machine Learning (ML) abbiano fatto progressi, rimane poco chiaro quali modelli offrano una precisione e un'accuratezza superiori per la previsione della LOS in questo specifico dominio. Inoltre, le revisioni sistematiche esistenti hanno o si sono concentrate su esiti diversificati (non esclusivamente la LOS), o hanno carenato confronti dettagliati tra ML e approcci statistici tradizionali, o non sono riuscite a differenziare i predittori specifici che guidano le prestazioni del modello. Si rileva una lacuna nella letteratura riguardante le definizioni standardizzate degli esiti, la validazione esterna e l'analisi comparativa delle prestazioni specificamente per la chirurgia spinale elettiva.

Metodologia
Questo studio è una revisione sistematica condotta in conformità con le linee guida PRISMA.

• Strategia di ricerca: Gli autori hanno cercato in PubMed, Google Scholar e nell'ACM Digital Library studi pubblicati tra il 1° dicembre 2015 e il 1° dicembre 2024.
• Criteri di inclusione: Studi empirici originali che prevedono la LOS in pazienti sottoposti a chirurgia spinale elettiva utilizzando tecniche basate sui dati (modelli statistici o ML), pubblicati in inglese con accesso al testo completo.
• Processo di selezione: Da un pool iniziale di 1.263 studi, 29 soddisfacevano i criteri di inclusione dopo lo screening di titoli, abstract e testi completi.
• Estrazione dei dati: Due revisori indipendenti hanno estratto i dati utilizzando un codebook completo che copriva le caratteristiche dello studio, gli approcci di modellazione (statistici vs ML vs NLP), le definizioni degli esiti (continui, binari o basati su percentili), le variabili predittive e le metriche di prestazione (AUC, accuratezza, precisione, recall, punteggio F1).
• Valutazione della qualità: Il rischio di bias è stato valutato utilizzando lo strumento Cochrane risk of bias.

Contributi chiave

• Ambito focalizzato: A differenza delle revisioni precedenti (ad es. Lubelski et al.) che coprivano esiti ampi, questo studio analizza esclusivamente la previsione della LOS nella chirurgia spinale elettiva.
• Espansione temporale: Include 16 articoli aggiuntivi pubblicati dopo il 2020, catturando i recenti progressi nelle metodologie di IA e nell'integrazione dei dati.
• Analisi granulare dei predittori: Lo studio categorizza e analizza sistematicamente una vasta gamma di predittori (demografici, clinici, operativi e contestuali) per identificare quali variabili influenzano maggiormente le prestazioni del modello.
• Analisi comparativa delle prestazioni: Fornisce un confronto diretto delle prestazioni tra vari modelli, inclusi la regressione logistica, i Random Forest, gli algoritmi di boosting e le reti neurali, identificando i modelli con le migliori prestazioni in base alle metriche chiave.

Risultati

• Caratteristiche dello studio: I 29 studi inclusi erano prevalentemente retrospettivi (90%), con dimensioni del campione che variavano da 77 a 453.717 pazienti. Le fonti dei dati includevano cartelle cliniche elettroniche (44,8%), database nazionali come NSQIP (20,7%) e database statali. La maggior parte degli studi (72,4%) è stata pubblicata tra il 2020 e il 2024.
• Approcci di modellazione:
  • Modelli statistici: La regressione logistica è stata l'approccio più comune (68,97% degli studi), spesso utilizzata come baseline.
  • Machine Learning: Il 24,1% degli studi ha impiegato metodi ML, tra cui Random Forests, Gradient Boosting (XGBoost, LightGBM), Support Vector Machines (SVM) e K-Nearest Neighbors (KNN).
  • Approcci ibridi: Il 17,24% degli studi ha confrontato metodi statistici e ML.
• Prestazioni:
  • I modelli ML hanno generalmente superato i modelli statistici tradizionali, con valori di Area Sotto la Curva (AUC) compresi tra 0,94 e 0,99 negli studi con le migliori prestazioni.
  • I migliori performer: K-Nearest Neighbors (KNN) e Naive Bayes con adaptive boosting hanno ottenuto le AUC riportate più elevate (rispettivamente 0,99 e 0,94). Anche i modelli Random Forest e Gradient Boosting hanno dimostrato prestazioni superiori, superando frequentemente un'AUC di 0,80.
  • I modelli di regressione logistica hanno mostrato prestazioni rispettabili ma generalmente inferiori, con AUC tipicamente comprese tra 0,70 e 0,80.
• Predittori chiave:
  • Demografia: L'età è stato il predittore più significativo (incluso nel 79,3% degli studi), con pazienti più anziani associati a una LOS più lunga.
  • Fattori clinici: Le comorbidità, in particolare l'ipertensione, il diabete e le condizioni cardiovascolari, sono stati forti predittori inclusi nel 79,3% degli studi.
  • Fattori chirurgici: La durata dell'operazione e la perdita di sangue stimata sono stati fattori critici, legati a una LOS prolungata nel 72,4% e nel 55,2% degli studi, rispettivamente. Le procedure minimamente invasive sono state associate a una LOS più breve nel 62,1% degli studi.

Significato e affermazioni
L'articolo afferma che, sebbene i modelli ML offrano un forte potenziale per migliorare la pianificazione delle dimissioni e la gestione delle risorse ospedaliere, la loro utilità clinica è attualmente limitata dalla mancanza di standardizzazione e validazione esterna.

• Stato attuale: La revisione evidenzia che i modelli ML, in particolare i metodi ensemble e algoritmi specifici come KNN e Naive Bayes, hanno il potenziale per superare gli approcci statistici tradizionali nella gestione di relazioni complesse e non lineari nei dati della chirurgia spinale.
• Limitazioni: Gli autori rilevano che molti studi mancano di una robusta validazione esterna, utilizzano campioni piccoli e soffrono di definizioni incoerenti degli esiti della LOS, rendendo difficili i confronti diretti.
• Direzioni future: Il documento raccomanda che gli studi futuri diano priorità a definizioni standardizzate degli esiti, alla trasparenza della reportistica e all'incorporazione di dati non strutturati (ad es. note cliniche tramite NLP/LLM) per catturare storie cliniche più sfumate. Suggerisce che i modelli di deep learning ibridi e le architetture avanzate (ad es. GNN, meccanismi di attenzione) rappresentino una direzione futura promettente, sebbene non siano ancora standard nella letteratura rivista sulla chirurgia spinale.

In conclusione, lo studio posiziona la modellazione predittiva basata sui dati come uno strumento vitale per ottimizzare l'assistenza nella chirurgia spinale elettiva, ma sottolinea che il loro ampio dispiegamento nel mondo reale richiede di affrontare le attuali lacune nella validazione e nella standardizzazione dei dati.