Sintesi Tecnica: Ottimizzazione del Contesto per gli Intervalli di Follow-up nella Cura del Diabete di Tipo 2 Utilizzando i Processi Decisionali di Markov

Definizione del Problema

Le attuali linee guida cliniche per la gestione del Diabete di Tipo 2 (T2D) prescrivono intervalli di tempo fissi per le visite di follow-up in assistenza primaria (ad esempio, trimestrali per pazienti non controllati, semestrali per pazienti controllati) indipendentemente dall'eterogeneità individuale del paziente. Questo approccio "taglia unica" non tiene conto della natura dinamica delle traiettorie cliniche, dei profili di rischio variabili e dei compromessi tra un monitoraggio frequente (che grava su pazienti e sistemi) e un monitoraggio infrequente (che rischia di non rilevare il deterioramento glicemico). Gli studi esistenti si sono ampiamente concentrati sulle associazioni medie di popolazione tra intervalli fissi ed esiti o sulla selezione del trattamento, mancando di un quadro prescrittivo per ottimizzare gli intervalli di follow-up basati sull'evoluzione del contesto del paziente.

Metodologia

Lo studio propone un framework di Processo Decisionale di Markov Contestuale (CMDP) per derivare politiche di follow-up personalizzate e specifiche per contesto utilizzando dati longitudinali di Cartelle Cliniche Elettroniche (EHR) provenienti da 22.154 pazienti con T2D in 10 cliniche di assistenza primaria (2017–2023). La pipeline analitica consiste in quattro fasi:

1. Preelaborazione dei Dati e Ingegneria delle Caratteristiche

Il framework utilizza variabili sia statiche che dinamiche:

• Variabili Statiche: Dati demografici (età, sesso), comorbidità (CVD, CKD, complicazioni da T2D) e utilizzo storico dell'assistenza sanitaria.
• Variabili Diniche: Definite ad ogni epoca decisionale (visita PCP $t$):
  • Stato Glicemico: Categorizzato come Sotto Controllo (HbA1c < 6,5%), Fuori Controllo (≥ 6,5%) o Non Misurato.
  • Ospedalizzazione nell'Intervallo: Indicatore binario di ricovero tra le visite.
  • Trend HbA1c: Variazione di $HbA1c$($\Delta HbA1c$) categorizzata come In Miglioramento, Stabile, In Peggioramento o Non Definita.

2. Riduzione della Dimensionalità (PCA)

Per gestire l'alta dimensionalità delle traiettorie cliniche (sequenze di 24 stati distinti per visita), è stata applicata l'Analisi delle Componenti Principali (PCA). Lo studio ha mantenuto 83 componenti principali (PC) che spiegavano collettivamente almeno il 95% della varianza nello spazio originale delle caratteristiche di 409 dimensioni.

3. Clustering per l'Identificazione del Contesto

I pazienti sono stati assegnati a distinti "contesti" utilizzando l'algoritmo K-Prototypes, che gestisce dati misti numerici (PC) e categorici (variabili statiche). Il numero ottimale di cluster ($K=2$) è stato determinato massimizzando il coefficiente di silhouette medio. Ciò ha portato a due sottopopolazioni distinte:

• Contesto 1 (Alto Rischio): Pazienti più anziani con carichi di comorbidità più elevati (CKD, CVD, complicazioni).
• Contesto 2 (Basso Rischio): Pazienti relativamente più giovani e più sani, con meno complicazioni.

4. Formulazione del CMDP

Il problema di ottimizzazione è modellato come un CMDP a orizzonte infinito scontato definito dalla tupla $(S, A, \{P_z\}, \{C_z\}, \gamma)$:

• Spazio degli Stati ($S$): Il prodotto cartesiano dello stato glicemico, dello stato di ospedalizzazione e del trend di $HbA1c$, più uno stato assorbente di "Perdita al Follow-up".
• Spazio delle Azioni ($A$): Intervalli di follow-up discretizzati: 1, 3, 6, 12 o >12 mesi.
• Funzione di Costo ($C_z$): Una funzione di costo non monetaria che aggrega quattro componenti per quantificare il carico clinico:
  1. Carico Glicemico ($C_G$): Tempo trascorso con $HbA1c > 6,5\%$, pesato in base alla gravità delle transizioni di stato.
  2. Incertezza di Misurazione ($C_M$): Penalità per l'azione basata su dati di $HbA1c$ non misurati o obsoleti, che scala con la durata dell'incertezza.
  3. Costo di Ospedalizzazione ($C_I$): Penalità per gli ammissioni ospedaliere avvenute tra le visite.
  4. Costo di Utilizzo delle Visite ($C_F$): Una penalità concava per le visite frequenti per scoraggiare l'onere non necessario, modellata tramite un logaritmo trasformato.
• Obiettivo: Minimizzare il costo cumulativo scontato atteso per ogni contesto $z$.

Risultati Chiave

1. Scoperta del Contesto

Il clustering ha identificato con successo due gruppi clinicamente distinti. I pazienti del Contesto 1 erano significativamente più anziani (64,1% $\ge$ 60 anni) e presentavano tassi più elevati di CKD (34,45% vs 23,96%), CVD (40,69% vs 33,15%) e complicazioni da T2D rispetto al Contesto 2.

2. Politiche Ottimali

Le politiche apprese dal CMDP hanno rivelato una stratificazione sfumata e guidata dai dati:

• HbA1c Non Misurata: Entrambi i contesti raccomandano un follow-up di 1 mese, dando priorità alla rapida rimisurazione per ridurre l'incertezza.
• Fuori Controllo/In Peggioramento: Entrambi i contesti raccomandano intervalli brevi (1–3 mesi). Il Contesto 1 (alto rischio) spesso opta per l'intervallo più breve (1 mese) in presenza di segnali avversi (trend in peggioramento o ospedalizzazione).
• Sotto Controllo/Stabile:
  • Contesto 2 (Basso Rischio): Le politiche raccomandano frequentemente intervalli estesi di 12 mesi.
  • Contesto 1 (Alto Rischio): Le politiche limitano gli intervalli a un massimo di 6 mesi, riflettendo un approccio più conservativo anche per i pazienti stabili, a causa del maggiore rischio di base.
• Tendenza Generale: Per quasi ogni stato clinico, l'intervallo raccomandato per il contesto ad alto rischio è più breve o uguale a quello del contesto a basso rischio.

3. Prestazioni Comparative

Le politiche CMDP sono state messe a confronto con tre euristiche: le linee guida fisse ADA, una politica fissa a 3 mesi e una politica fissa a 6 mesi.

• Contesto ad Alto Rischio: La politica CMDP ha ridotto il costo cumulativo atteso di circa il 34,8% rispetto alla politica a intervallo fisso simile alle ADA.
• Contesto a Basso Rischio: La politica CMDP ha ridotto il costo di circa il 6,4% rispetto alla politica a intervallo fisso.
• Robustezza: Le analisi di sensibilità variando i parametri di costo (penalità di incertezza, pesi dell'ospedalizzazione e avversità della transizione) hanno confermato che la politica CMDP supera costantemente tutti i benchmark in un'ampia gamma di specifiche dei parametri.

Significato e Rivendicazioni

L'articolo sostiene che questo studio fornisce un quadro prescrittivo per strategie di follow-up adattive nell'assistenza primaria, andando oltre le associazioni descrittive per ottimizzare il processo decisionale sotto incertezza.

• Contributo Clinico: Lo studio operazionalizza il compromesso tra il tempo trascorso in stati non controllati e l'utilizzo dell'assistenza sanitaria. Dimostra che gli approcci consapevoli del contesto possono sintetizzare l'apprendimento automatico (clustering/PCA) e i modelli decisionali probabilistici (MDP) per generare politiche interpretabili che si allineano all'intuizione clinica pur affrontando le esigenze specifiche delle sottopopolazioni.
• Novità Metodologica: Il lavoro introduce un uso innovativo della riduzione della dimensionalità sulle complesse traiettorie post-diagnosi e del clustering di dati misti all'interno di un framework CMDP.
• Risultato: I risultati suggeriscono che gli intervalli personalizzati e specifici per contesto possono ridurre significativamente il carico clinico atteso (costo) rispetto alle linee guida statiche, in particolare per le popolazioni con alta comorbidità, senza aumentare il rischio di mancato rilevamento del deterioramento.

Gli autori riconoscono i limiti riguardanti la generalizzabilità dei dati (singolo sistema sanitario) e l'esclusione di modalità non in presenza (telemedicina) e risultati riportati dai pazienti, indicandoli come aree per ricerche future.