Early identification of advanced chronicity (MACA) patients using Machine Learning models: a population-based predictive approach for proactive care stratification

Sintesi Tecnica: Identificazione Precoce dei Pazienti MACA mediante Machine Learning

Problematica
L'identificazione dei pazienti con Condizioni Croniche Avanzate (MACA) rimane una sfida critica nella pratica clinica. Le strategie attuali si affidano spesso a criteri retrospettivi o al giudizio clinico (ad esempio, lo strumento NECPAL, l'indice di comorbidità di Charlson), che possono ritardare un intervento tempestivo e personalizzato. Questi metodi tradizionali presentano limitazioni nella sensibilità per l'identificazione precoce e faticano a catturare la natura multidimensionale e dinamica della cronicità avanzata, in particolare nelle popolazioni non oncologiche dove l'incertezza prognostica è elevata. Sebbene le cartelle cliniche elettroniche (EHR) offrano un vasto potenziale di dati, esiste una lacuna significativa negli studi mirati specificamente alla rilevazione proattiva e precoce dei pazienti MACA in contesti reali e basati sulla popolazione utilizzando il Machine Learning (ML).

Metodologia
Questo studio ha impiegato un disegno di coorte osservazionale retrospettivo presso l'Hospital Universitario Parc Taulí (Sabadell, Spagna) per sviluppare e validare internamente un modello predittivo basato su ML.

• Fonte dei Dati e Popolazione: Il dataset comprendeva 163 pazienti (80 MACA, 83 non-MACA) estratti dalle cartelle cliniche ospedaliere (EHR). I criteri di esclusione hanno riguardato le unità di Pediatria, Ostetricia, Ginecologia, Salute Mentale e Terapia Intensiva per garantire la coerenza clinica con la definizione di cronicità avanzata.
• Ingegneria delle Caratteristiche (Feature Engineering): Inizialmente sono state identificate 173 variabili relative a 24 condizioni cliniche. A causa di vincoli di estrazione, sono state selezionate 80 variabili. Fondamentalmente, le variabili che riflettevano il precedente coinvolgimento con le cure palliative specializzate (Condizione 1) sono state escluse per evitare dipendenze circolari e garantire che il modello identifichi casi precedentemente non riconosciuti. Le dipendenze gerarchiche tra condizioni correlate (ad esempio, la progressione della fragilità) sono state esplicitamente incorporate.
• Pre-elaborazione: I valori mancanti sono stati gestiti tramite imputazione della media (numerica) o assegnazione dello zero (categorica). Le variabili categoriche sono state sottoposte a one-hot encoding e le variabili continue sono state standardizzate.
• Selezione delle Caratteristiche: Tre strategie (k-best, low variance, recursive feature elimination) hanno ridotto il dataset a 10 predittori chiave.
• Sviluppo del Modello: Sono stati valutati 14 algoritmi di classificazione supervisionata, inclusi modelli lineari (Regressione Logistica, LDA, SVM), metodi probabilistici (Naïve Bayes) e metodi d'insieme (Bagging, Random Forest, XGBoost, LightGBM, CatBoost, AdaBoost).
• Strategia di Validazione: È stato utilizzato un approccio di doppia validazione: una suddivisione train-test 75/25 e una Cross-Validation (CV) stratificata a 5 fold. Data l'obiettivo di rilevazione precoce, la sensibilità (recall) è stata prioritizzata rispetto alla specificità per minimizzare i falsi negativi.

Risultati Chiave

• Selezione delle Caratteristiche: Il modello finale ha utilizzato 10 predittori: dipendenza assoluta (COND8), declino funzionale/dipendenza grave (COND9), dipendenza moderata (COND10), uso di risorse specifiche (COND19), sindromi geriatriche gravi/medie (COND22/23), identificatore di paziente cronico complesso, valutazione palliativa ambulatoriale, intervento di assistenza domiciliare e prescrizione di neurolettici.
• Performance del Modello:
  • Bagging Classifier: Ha ottenuto la performance più costante con una sensibilità di 0,91, una precisione di 0,905, un F1-score di 0,905 e un AUC-ROC di 0,902 sul test set.
  • Albero di Decisione (Decision Tree): Ha performato in modo identico al Bagging sul test set (Accuratezza, Precisione, Recall, F1-score tutti al 90,5%; AUC 0,912).
  • Cross-Validation: La CV a 5 fold ha confermato la stabilità del modello. Il Bagging ha mostrato una robustezza superiore con un F1-score medio di 0,919 e un AUC medio di 0,953, rispetto a 0,891 e 0,893 per il Decision Tree, rispettivamente.
• Importanza dei Predittori: L'analisi dell'importanza delle caratteristiche sul modello Bagging ha identificato la "dipendenza assoluta" (peso 0,318) e l' "uso di risorse specifiche" (peso 0,262) come i predittori più influenti.

Contributi Chiave

1. Framework di Rilevazione Proattiva: Lo studio dimostra che i modelli di ML possono identificare efficacemente i pazienti MACA utilizzando dati routinari delle EHR, passando da un'identificazione reattiva basata su eventi a uno screening proattivo.
2. Modello Parsimonioso e Interpretabile: La ricerca stabilisce che un set ridotto di 10 variabili clinicamente interpretabili (focalizzandosi su declino funzionale, dipendenza e utilizzo di risorse) è sufficiente per un'elevata capacità discriminativa, facilitando l'integrazione clinica.
3. Evitare la Logica Circolare: Escludendo le variabili relative alla precedente identificazione delle cure palliative, il modello è progettato per rilevare casi non riconosciuti piuttosto che limitarsi a riprodurre le decisioni cliniche esistenti.
4. Performance Robusta degli Ensemble: Lo studio valida che i metodi d'insieme, specificamente il Bagging, offrono un equilibrio favorevole tra sensibilità e robustezza per questo specifico compito clinico, superando i modelli lineari semplici e mostrando una maggiore stabilità nella cross-validation rispetto a un singolo Decision Tree.

Significato e Rivendicazioni
L'articolo sostiene che i suoi risultati evidenziano il potenziale degli strumenti basati su ML per la rilevazione precoce della cronicità avanzata, offrendo una capacità discriminativa elevata (AUC > 0,90) che potrebbe supportare una stratificazione proattiva delle cure. Gli autori affermano che la capacità del modello di utilizzare dati routinariamente disponibili, unita all'interpretabilità dei suoi predittori, lo rende uno strumento di supporto decisionale vitale per spostare l'erogazione delle cure verso un quadro più efficiente e centrato sul paziente.

Tuttavia, gli autori mantengono un tono modesto riguardo ai limiti dello studio. Essi riconoscono esplicitamente che la piccola dimensione del campione (n=163) limita la generalizzabilità e aumenta il rischio di overfitting, nonostante la validazione interna. Notano inoltre che la distribuzione quasi bilanciata delle classi non riflette la prevalenza del mondo reale, il che potrebbe portare a una calibrazione errata nella pratica. Di conseguenza, l'articolo conclude che, sebbene i risultati siano promettenti, la validazione esterna in coorti indipendenti multicentriche e studi clinici prospettici è essenziale per confermare la stabilità, la trasportabilità e l'effettivo impatto del modello sugli esiti dei pazienti e sull'allocazione delle risorse.