Availability and Quality of Anthropometric Data in Swiss Childrens Hospitals: The SwissPedGrowth Project

Il progetto SwissPedGrowth ha dimostrato la fattibilità dell'estrazione di dati antropometrici di alta qualità dai registri elettronici di ospedali pediatrici svizzeri, sebbene permangano sfide relative alla completezza e all'armonizzazione dei dati tra le diverse strutture.

L'essenziale

🏥 Il Grande Esperimento: "La Bilancia Digitale"

Immagina che i bambini svizzeri siano come piante in un enorme giardino. Per sapere se crescono sane e forti, i giardinieri (i pediatri) devono misurarle spesso: altezza, peso e a volte la circonferenza della testa.

Per anni, queste misure sono state scritte su foglietti di carta o inserite in computer diversi, come se ogni ospedale avesse il suo linguaggio segreto e il suo quaderno personale. Questo rendeva quasi impossibile fare un "quadro generale" della crescita di tutti i bambini della Svizzera.

Il progetto SwissPedGrowth ha avuto un obiettivo ambizioso: raccogliere tutti questi quaderni, tradurli in una lingua comune e vedere cosa ci dicono sulla salute dei bambini.

🔍 Cosa hanno fatto? (La Missione)

Gli scienziati hanno preso i dati elettronici (le cartelle cliniche digitali) di 477.000 bambini da 7 grandi ospedali pediatrici svizzeri (Basilea, Berna, Ginevra, Losanna, Lucerna, San Gallo e Zurigo) tra il 2017 e il 2023.

Hanno cercato di rispondere a tre domande semplici:

1. Troviamo le misure? (Disponibilità)
2. Sono corrette? (Qualità)
3. Questi bambini rappresentano tutti i bambini della Svizzera? (Rappresentatività)

📉 Cosa hanno scoperto? (I Risultati)

Ecco le scoperte principali, spiegate con delle metafore:

1. Il "Buco Nero" dei Dati (Disponibilità)

Immagina di cercare di contare le mele in un frutteto, ma molti contadini hanno scritto le misure su foglietti nascosti sotto la terra o in cassetti chiusi a chiave.

• Il risultato: Hanno trovato il peso solo nel 43% delle visite e l'altezza solo nel 20%.
• Perché? Spesso i medici scrivono queste cose in note a mano libera (testo non strutturato) che i computer non riescono a leggere, oppure le misurano ma non le inseriscono nel campo "giusto" del software. È come se avessero le misure, ma fossero scritte in un codice che il computer non sa decifrare.

2. Il "Filtro Magico" (Qualità)

Una volta raccolti i dati, dovevano pulirli. Immagina di avere un secchio pieno di acqua, ma con un po' di fango, sassi e qualche foglia morta.

• Hanno usato due "setacci" (algoritmi): uno creato da loro e uno già esistente.
• Cosa hanno trovato:
  • Pochi dati erano "impossibili" (es. un bambino di 10 anni alto 2 metri e mezzo! 🤯).
  • Ma molti dati erano duplicati o copiati dall'ultima volta (come se il medico scrivesse "peso uguale a ieri" senza pesare davvero).
  • Hanno corretto errori di unità di misura (es. centimetri scritti come metri) e punti decimali sbagliati.

3. Uno Specchio Fedele (Rappresentatività)

C'era il timore che questi 477.000 bambini fossero "diversi" dalla media (magari più ricchi o più poveri, o di un'età specifica).

• Il risultato: Inizialmente, c'erano piccole differenze (un po' più di maschi, un po' meno bambini stranieri rispetto alla media nazionale).
• La soluzione: Hanno usato una "bilancia matematica" (pesatura statistica) per ricalibrare i dati. Dopo questo aggiustamento, il gruppo di bambini dello studio è diventato uno specchio perfetto della popolazione svizzera reale.

🚧 Le Difficoltà (I "Ostacoli" nel Giardino)

Il progetto non è stato facile. Hanno dovuto affrontare diversi ostacoli:

• Lingue diverse: Ogni ospedale usava un software diverso, come se ognuno parlasse un dialetto diverso. Unire tutto è stato come organizzare una festa con 7 lingue diverse.
• Carta vs Digitale: Molti dati erano su fogli di carta scansionati (come vecchie ricette o cartelle infermieristiche) che i computer non potevano "leggere" automaticamente.
• Il lavoro di pulizia: Hanno dovuto fare un lavoro manuale enorme per capire dove erano nascosti i dati. Hanno scoperto che spesso le misure erano lì, ma "nascoste" in testi liberi che i computer ignoravano.

💡 Cosa significa per noi? (La Conclusione)

Nonostante le difficoltà, il progetto è un successo.
Dimostra che è possibile usare i dati digitali degli ospedali per fare ricerche importanti sulla crescita dei bambini, senza dover fare nuove misurazioni a mano.

Le lezioni per il futuro:

1. I medici devono scrivere meglio: Invece di scrivere note a mano libera, dovrebbero usare i campi digitali specifici (come riempire un modulo invece di scrivere una lettera).
2. I computer devono essere più intelligenti: I software ospedalieri devono essere progettati per rendere facile inserire i dati nel modo giusto.
3. La ricerca è possibile: Ora abbiamo uno strumento potente per capire come crescono i bambini in Svizzera e rispondere a domande di salute pubblica, come un "termometro" gigante per la crescita della nazione.

In sintesi: Hanno trovato un tesoro di dati, ma per prenderlo hanno dovuto prima costruire una mappa e pulire la strada. Ora che la strada è aperta, possiamo studiare la crescita dei bambini come mai prima d'ora! 🌱🇨🇭

Sommario tecnico

Titolo del Progetto

SwissPedGrowth: Disponibilità e qualità dei dati antropometrici negli ospedali pediatrici svizzeri.

1. Il Problema

I dati antropometrici (altezza, peso, circonferenza cranica) sono fondamentali per l'assistenza pediatrica, il monitoraggio della crescita, la diagnosi di patologie e il dosaggio dei farmaci. Sebbene questi dati siano raccolti routinariamente durante le visite cliniche e registrati nelle Cartelle Cliniche Elettroniche (EHR), il loro utilizzo per la ricerca su larga scala presenta sfide significative:

• Eterogeneità dei sistemi: I diversi ospedali utilizzano sistemi EHR non uniformi, rendendo difficile l'estrazione e l'armonizzazione dei dati.
• Qualità e disponibilità incerte: Non è chiaro quanto siano completi i dati registrati o quanto siano affidabili (es. presenza di errori di unità, duplicati, valori biologicamente implausibili).
• Rappresentatività: È necessario verificare se i cohorti clinici estratti dagli EHR riflettano accuratamente la popolazione pediatrica generale.
• Barriere tecniche: La transizione dalla documentazione clinica non strutturata a dati pronti per la ricerca è complessa.

2. Metodologia

Lo studio SwissPedGrowth è un'analisi multicentrica retrospettiva condotta nell'ambito del flusso di dati nazionale SwissPedHealth.

• Cohort e Periodo: Sono stati analizzati i dati di pazienti di età inferiore ai 20 anni visitati in 7 ospedali pediatrici svizzeri (Basilea, Berna, Ginevra, Losanna, Lucerna, San Gallo, Zurigo) tra il 2017 e il 2023.
• Frammento di Dati: Sono stati inclusi 477.531 pazienti e 2.171.633 visite ospedaliere.
• Estrazione e Armonizzazione:
  • I dati sono stati estratti dai sistemi sorgente locali e caricati nei Data Warehouse Clinici (CDW) degli ospedali.
  • È stato utilizzato lo schema SPHN (Swiss Personalized Health Network) con terminologie standardizzate (SNOMED-CT, LOINC) e formato RDF (Resource Description Framework).
  • È stato calcolato l'indice socioeconomico (Swiss-SEP) basato sull'indirizzo di residenza del paziente.
• Definizione delle Visite: Le visite sono state classificate in ambulatoriali, di pronto soccorso e ricoveri ospedalieri.
• Algoritmi di Controllo Qualità: Per valutare la qualità di altezza e peso, sono stati utilizzati tre approcci combinati:
  1. Un algoritmo sviluppato internamente basato sugli z-score (riferimenti OMS adattati alla Svizzera).
  2. L'algoritmo esistente growthcleanr (basato su medie mobili longitudinali degli z-score).
  3. Una combinazione sequenziale dei due.
  • Sono stati identificati errori di unità, decimali, scambiati (es. altezza registrata come peso), duplicati (stesso giorno o "carried forward"), valori invalidi e outlier biologicamente implausibili.
• Validazione: Una revisione manuale di 140 visite (70 ambulatoriali, 70 ricoveri) è stata condotta per verificare le cause delle mancata estrazione dei dati.
• Analisi di Rappresentatività: I dati sono stati confrontati con la popolazione generale svizzera (<20 anni) utilizzando differenze standardizzate (Glass' Δ e Cohen's h) e pesi statistici (raking) per correggere le discrepanze.

3. Risultati Chiave

• Disponibilità dei Dati:
  • Altezza: Disponibile solo nel 20% delle visite.
  • Peso: Disponibile nel 43% delle visite.
  • Circonferenza Cranica: Disponibile nel 5-6% delle visite.
  • BMI: Calcolato per il 23% delle visite.
  • La disponibilità era significativamente migliore per i ricoveri ospedalieri rispetto alle visite ambulatoriali o al pronto soccorso.
• Qualità dei Dati:
  • Combinando gli algoritmi, il 4% delle misurazioni di altezza e il 3% del peso sono stati identificati come outlier biologicamente implausibili.
  • Un numero elevato di dati è stato flaggato come duplicato o "carried forward" (riportato da visite precedenti): 29% delle altezze e 31% dei pesi.
  • L'algoritmo interno ha rilevato più errori rispetto a growthcleanr, suggerendo che i dati ospedalieri potrebbero essere più soggetti a errori rispetto ai dati di medicina primaria.
  • La revisione manuale ha rivelato che molti dati mancanti erano presenti in documenti cartacei scansionati o in campi di testo libero non strutturati, non accessibili all'estrazione automatica.
• Rappresentatività:
  • Inizialmente, la cohorte SwissPedGrowth presentava differenze rispetto alla popolazione generale (più maschi, meno svizzeri, status socioeconomico più alto).
  • Tuttavia, le differenze standardizzate erano di piccole dimensioni (effetto <0.2) o piccole-medie.
  • Dopo l'applicazione di pesi statistici, le differenze sono diventate trascurabili (<0.001), dimostrando che il cohort è rappresentativo della popolazione generale.

4. Contributi e Sfide Tecniche

• Fattibilità: Lo studio dimostra che è tecnicamente fattibile estrarre dati antropometrici di alta qualità da sistemi EHR eterogenei in Svizzera, nonostante l'enorme carico di lavoro richiesto.
• Sfide di Armonizzazione:
  • La mancanza di campi strutturati per le visite ambulatoriali e di pronto soccorso è la principale causa di dati mancanti.
  • Lo schema RDF SPHN, sebbene utile per l'armonizzazione, ha creato un carico di lavoro significativo per gli ospedali.
  • La mappatura dei dati a "casi amministrativi" piuttosto che a singole visite cliniche ha complicato l'associazione corretta delle misurazioni alle visite specifiche.
• Validazione: L'uso combinato di algoritmi sviluppati internamente e strumenti esistenti ha permesso una pulizia dei dati più rigorosa rispetto all'uso di un singolo strumento.

5. Significato e Implicazioni

• Per la Ricerca: Il progetto SwissPedGrowth abilita la ricerca su larga scala sulla crescita pediatrica in Svizzera, permettendo analisi longitudinali e studi epidemiologici su una popolazione vasta e rappresentativa.
• Per la Pratica Clinica e i Sistemi Informativi:
  • È necessario formare i medici all'uso di campi strutturati nelle EHR per migliorare la completezza dei dati.
  • I sistemi EHR ospedalieri devono essere ottimizzati per facilitare l'inserimento strutturato, specialmente per le visite ad alto volume (ambulatorio e pronto soccorso).
  • Lo schema SPHN dovrebbe essere adattato per collegare i dati a singole visite cliniche piuttosto che a casi amministrativi generici, migliorando l'interpretabilità dei dati.
• Conclusione: Nonostante le sfide di armonizzazione, le EHR rappresentano una fonte di dati antropometrici preziosa. Con un'adeguata pulizia e pesatura statistica, questi dati possono supportare sia la cura individuale del paziente che le domande di salute pubblica.