The EHR Density Index: A new method to control for EHR data inconsistency across patients

Immagina di cercare di risolvere un mistero usando una biblioteca gigante e disordinata di cartelle cliniche. Questa non è una biblioteca dove ogni libro è ordinatamente organizzato; è più simile a una soffitta caotica dove alcune persone hanno lasciato dietro di sé intere casse di diari, foto e ricevute, mentre altri hanno solo abbandonato un singolo post-it. Nel mondo della ricerca medica, questa è la realtà delle "Cartelle Cliniche Elettroniche" (EHR). Questi sono i file digitali che i medici usano per monitorare i pazienti, ma poiché sono scritti per l'assistenza quotidiana piuttosto che per gli scienziati, sono spesso disomogenei. Alcuni pazienti, solitamente quelli più malati, hanno pagine e pagine di dati perché visitano costantemente l'ospedale. Altri, che sono più sani o che vedono un medico solo una volta all'anno, hanno registri molto scarsi.

Per molto tempo, i ricercatori hanno cercato di sistemare questo caos usando uno strumento chiamato "Indice di Comorbilità di Charlson" (CCI). Pensa al CCI come a un "punteggio di malattia". Esamina la cartella clinica di un paziente e conta quante malattie gravi ha. L'idea è che se sai quanto una persona sia malata, puoi confrontarla equamente con gli altri. Ma ecco il problema: il CCI misura solo quanto una persona sia malata, non quanto sappiamo di lei. Se una persona molto malata visita solo uno specialista che non scrive molti dettagli, il CCI potrebbe dire che è malata, ma la sua cartella sembrerà vuota. Questo crea un problema complicato: l'esito di un paziente è diverso perché è più malato, o solo perché il suo file medico è più sottile? Gli scienziati hanno bisogno di un modo per misurare la "consistenza" del file stesso, separandola dalla malattia contenuta in esso.

È qui che interviene un team di ricercatori dell'Università della Carolina del Nord con una nuova idea chiamata EHR Density Index (EDI). Si sono resi conto che, per ottenere risultati equi dai dati medici, è necessario conoscere non solo la salute del paziente, ma anche il "volume" della sua documentazione. Hanno costruito un sistema per misurare esattamente quanta informazione è impacchettata nel file di un paziente per ogni anno, regolandola in base alla frequenza con cui quella persona effettivamente visita il medico.

La storia del "Detective della Documentazione"

I ricercatori sono partiti da una massa enorme di dati: le cartelle cliniche di 24.987 pazienti adulti di UNC Health, coprendo gli anni dal 2018 al 2024. Volevano creare un nuovo strumento che potesse dire loro: "Questo paziente ha molti dati" o "Questo paziente ne ha pochissimi", senza confondere questo fatto con "Questo paziente è molto malato".

Per farlo, non si sono limitati a contare le righe di testo. Hanno agito come detective, smistando le persone in gruppi basati su come interagiscono con il sistema sanitario. Hanno usato un trucco matematico sofisticato chiamato "Modello di Miscela Gaussiana" (pensa a una macchina di smistamento intelligente) per raggruppare i pazienti in quattro distinti "cluster di utilizzo" in base ai loro modelli di visita:

1. Ricovero frequente (High Inpatient): Persone con molti o lunghi soggiorni in ospedale.
2. Ricovero moderato (Moderate Inpatient): Persone che vanno in ospedale occasionalmente.
3. Ambulatoriale regolare (Outpatient Regular): Persone che vedono i medici in clinica a intervalli regolari e prevedibili.
4. Ambulatoriale irregolare (Outpatient Irregular): Persone che visitano raramente e in modo imprevedibile.

Una volta che i pazienti sono stati inseriti in questi gruppi, i ricercatori hanno esaminato la "densità" dei loro registri. Si sono chiesti: "All'interno di questo specifico gruppo di persone, questa persona ha più o meno documentazione rispetto alla media?" Hanno controllato quattro tipi specifici di indizi medici: condizioni (diagnosi), farmaci (medicazioni), misurazioni (come gli esami del sangue) e procedure (come interventi chirurgici o radiografie).

Se un paziente nel gruppo "Ambulatoriale regolare" aveva molti più risultati di laboratorio e note sui farmaci rispetto ai suoi vicini, riceveva un punteggio di densità elevato. Se ne aveva meno, riceveva un punteggio basso. Questo punteggio è chiamato "residuo", che è solo un termine elegante per dire "quanto si discosta dalla media".

Cosa hanno scoperto

Il team ha scoperto qualcosa di affascinante: essere malati e avere un file corposo sono cose correlate, ma non sono la stessa cosa.

Hanno controllato se il "punteggio di malattia" (CCI) potesse predire il "punteggio di documentazione" (EDI). Hanno scoperto che, sebbene i pazienti più malati tendano ad avere più visite e quindi più dati, la connessione è debole. Infatti, hanno trovato molti pazienti che erano molto malati ma avevano registri molto scarsi, e altri che erano meno malati ma avevano file incredibilmente dettagliati.

L'articolo sostiene esplicitamente contro l'idea che il vecchio "punteggio di malattia" (CCI) sia sufficiente a risolvere il problema dei dati. Gli autori dimostrano che il CCI è ottimo per dirti quanto una persona sia malata, ma è terribile nel dirti quanta informazione sia effettivamente presente nel suo file. Un paziente con un alto punteggio di malattia potrebbe comunque avere un file "sottile" se non visita spesso l'ospedale, e il CCI non può vedere questo. L'EDI, invece, individua immediatamente quel file sottile.

I ricercatori hanno anche mostrato che l'EDI non è un sostituto del CCI. È un compagno. Immagina di preparare una torta. Il CCI è la farina (l'ingrediente principale della malattia) e l'EDI è il misurino (che ti dice quanta parte dell'ingrediente hai effettivamente). Hai bisogno di entrambi per ottenere il risultato corretto. Se usi solo la farina senza misurarla, la tua torta potrebbe essere un disastro.

Perché questo è importante

Gli autori suggeriscono che l'uso dell'EDI insieme al CCI può aiutare gli scienziati a smettere di commettere errori. In passato, se uno studio trovava che un certo farmaco funzionava meglio per alcune persone, potrebbe essere stato perché quelle persone avevano file più "spessi" dove i medici scrivevano più dettagli, non perché il farmaco funzionasse davvero meglio. Aggiungendo l'EDI alla loro matematica, i ricercatori possono "controllare" questa disomogeneità.

Il documento non sostiene di aver risolto ogni problema nella ricerca medica. Ammettono che i loro numeri specifici potrebbero non funzionare perfettamente per ogni ospedale del mondo perché ospedali diversi scrivono le cose in modo diverso. Incoraggiano altri scienziati a prendere il loro metodo e "riaddestrarlo" sui propri dati locali. Notano anche che il loro strumento attuale analizza solo dati strutturati (come caselle di controllo e codici) e non legge ancora le note in linguaggio libero che i medici scrivono con le proprie parole.

In breve, l'EHR Density Index è un nuovo righello per misurare la "consistenza" della storia medica di un paziente. Aiuta i ricercatori a capire che solo perché un file è sottile, non significa che il paziente sia sano; potrebbe solo significare che la storia non è stata ancora scritta. Usando questo nuovo strumento, gli scienziati sperano di rendere le loro scoperte più accurate, eque e affidabili per tutti.