Reconsidering the case against risk prediction in self-harm: routinely collected health data distinguishes groups at higher and lower risk of adverse outcomes following paracetamol overdose

Il dilemma del detective: i dati possono vedere la tempesta prima che scoppi?

Immaginate di essere un meteorologo che cerca di prevedere una tempesta improvvisa e pericolosa. Nel mondo della medicina, specificamente quando le persone si recano in ospedale dopo aver assunto un eccesso di paracetamolo (un comune antidolorifico) per farsi del male, c'è un grande dibattito sul fatto che si possa prevedere la "tempesta" di un futuro suicidio o di un ritorno in ospedale. Per molto tempo, la regola ufficiale nel Regno Unito è stata: "Non cercare di prevederlo". Il pensiero era che i dati che i medici raccolgono ogni giorno — come l'età, le visite mediche passate e gli elenchi di prescrizioni — fossero troppo rumorosi e inutili per dirci chi è a rischio. È come cercare di indovinare il tempo guardando una singola foto sfuocata di una nuvola; gli esperti dicevano che la foto semplicemente non aveva abbastanza dettagli per essere utile.

Ma cosa succederebbe se quella foto contenesse in realtà un segreto schema? E se, usando un cervello computerizzato super intelligente (machine learning) per osservare migliaia di queste foto sfuocate contemporaneamente, potessimo individuare una forma che l'occhio umano non vede? Questa è la domanda che gli scienziati si sono posti. Vogliono sapere se i "dati sanitari raccolti di routine" — i noiosi record quotidiani che i medici annotano — contengano in realtà un segnale nascosto che possa distinguere le persone che avranno un esito negativo da quelle che non lo avranno. Se la risposta è "sì", non significa che abbiamo una palla di cristallo, ma potrebbe significare che non avremmo dovuto gettare via la mappa proprio ora. Se la risposta è "no", allora sappiamo con certezza che dobbiamo cercare aiuto altrove.

Il grande enigma del paracetamolo: trovare il segnale nel rumore

In questo studio, un team di ricercatori ha deciso di mettere alla prova la teoria secondo cui "i dati sono inutili". Non hanno cercato di costruire uno strumento magico per fermare il suicidio; hanno agito invece come detective alla ricerca di un singolo indizio. Hanno raccolto le cartelle cliniche di 4.095 adulti che si sono presentati nei dipartimenti di emergenza in NHS Lothian (Scozia) tra il 2017 e il 2023 a causa di un overdose di paracetamolo.

Pensate a questi record come a una gigantesca scatola di un puzzle. All'interno c'erano 37 diversi pezzi di informazione che un medico conoscerebbe già al momento dell'ingresso del paziente: la sua età, dove vive (il che fornisce un indizio su quanto sia deprivata l'area), quali farmaci sta già assumendo e se ha mai consultato uno specialista della salute mentale in precedenza. I ricercatori hanno inserito questi pezzi del puzzle in un modello computerizzato intelligente chiamato "regressione logistica elastic-net". Potete pensare a questo modello come a un bibliotecario molto severo che cerca di smistare una pila enorme di libri in due pile: "Libri su persone che avranno un esito negativo" e "Libri su persone che non lo avranno".

I ricercatori hanno osservato tre diversi periodi di tempo dopo la dimissioni del paziente dall'ospedale:

1. La prima settimana (0–7 giorni): Sono deceduti o sono stati ricoverati in un reparto di salute mentale?
2. Il mese successivo (8–30 giorni): I problemi sono continuati?
3. L'intero anno (31–365 giorni): La tempesta è infine scoppiata?

La grande scoperta
I risultati sono stati sorprendenti. Il modello computerizzato ha effettivamente trovato un pattern. Non era perfetto, ma era decisamente meglio che lanciare una moneta.

• Nella prima settimana, il modello poteva classificare correttamente i pazienti circa il 65% o l'82% delle volte (a seconda di come si misura).
• Nella finestra temporale di 8-30 giorni, era tra il 63% e il 90%.
• Nell'intero anno, era tra il 71% e l'85%.

Nel mondo della statistica, un punteggio del 50% è solo un indovinare. Qualsiasi valore superiore significa che il modello sta effettivamente vedendo qualcosa di reale. I ricercatori hanno scoperto che il modello era bravo a individuare chi era ad alto rischio, ed era molto bravo a garantire che i numeri forniti corrispondessero agli esiti reali (questo è chiamato "calibrazione").

Da dove venivano gli indizi?
Potreste pensare che il modello stesse guardando solo l'età o il genere, come un detective stereotipato. Ma i ricercatori hanno scoperto che questa non era la storia principale. I veri "superpoteri" del modello derivavano da indizi legati alla salute mentale. Il modello otteneva le sue migliori intuizioni da elementi come:

• Se alla persona erano stati prescritti farmaci antipsicotici o ansiolitici.
• Se aveva una storia di consultazioni con uno psichiatra.
• Se presentava una diagnosi di schizofrenia o di malattia epatica correlata all'alcol.
• Quanti diversi tipi di farmaci stava assumendo (polifarmacia).

L'età veniva ancora utilizzata dal modello, ma non era il fattore determinante. Il vero segnale era nascosto nella complessa storia del percorso di salute mentale di una persona.

Cosa dice questo articolo (e cosa non dice)

È molto importante capire cosa questo studio non stia dicendo. Gli autori non affermano che possiamo ora prevedere esattamente quale individuo tenterà il suicidio la prossima volta. Non dicono che dovremmo iniziare a usare questo modello computerizzato negli ospedali domani per decidere chi riceve il trattamento.

Anzi, avvertono esplicitamente contro questo. L'accuratezza del modello, pur essendo migliore del caso, non è abbastanza alta da essere usata come giudice finale per un singolo individuo. Se usaste questo strumento su una sola persona, potrebbe comunque sbagliare. L'articolo sostiene che le attuali regole del Regno Unito, che dicono "nessuno strumento di previsione del rischio", potrebbero stare buttando il bambino con l'acqua accoppiata. La regola si basava sull'idea che nessun segnale utile esiste nei dati. Questo studio suggerisce che un segnale utile esiste, ma non è ancora abbastanza forte per essere una palla di cristallo autonoma.

I ricercatori sottolineano anche che i dati "noiosi" e strutturati che hanno usato (i 37 segni di spunta) hanno un limite. È come cercare di capire un film leggendo solo il cast e la durata; si perde la trama, le emozioni e i dialoghi. Gli indizi reali e profondi sul rischio di una persona — come i suoi pensieri specifici, i suoi sentimenti di disperazione o il suo sistema di supporto — sono solitamente scritti nel testo libero degli appunti dei medici, non nei segni di spunta. L'articolo suggerisce che se insegnassimo ai computer a leggere quegli appunti (usando qualcosa chiamato Elaborazione del Linguaggio Naturale), potremmo trovare un segnale ancora più forte.

La conclusione

Quindi, qual è il verdetto? L'articolo conclude che l'idea che "i dati sanitari raccolti di routine non contengano alcun segnale predittivo utile" non è vera. I dati hanno un segnale; possono distinguere tra gruppi di persone ad alto e basso rischio. Tuttavia, il segnale è attualmente troppo debole per essere utilizzato per prendere decisioni di vita o di morte su singoli individui.

Gli autori stanno essenzialmente dicendo: "Non chiudete il libro su questa ricerca solo perché l'attuale capitolo non è perfetto". Esortano gli scienziati a continuare a cercare, forse insegnando ai computer a leggere le parti umane e disordinate degli appunti medici, piuttosto che rinunciare all'idea che i dati possano aiutare a salvare vite. La porta a una migliore previsione è ancora aperta; abbiamo solo bisogno di strumenti migliori per attraversarla.