Machine Learning-Supported Efficient VTE Risk Assessment using Routinely Collected Electronic Health Record Data
Questo studio dimostra che i modelli di apprendimento automatico che utilizzano dati raccolti routinariamente dalle cartelle cliniche elettroniche possono supportare efficacemente la valutazione in tempo reale del rischio di tromboembolismo venoso con una validità clinica paragonabile ai fattori registrati dai clinici, offrendo una soluzione praticabile per ridurre il carico di documentazione pur mantenendo la sicurezza del paziente.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Gli ospedali sono luoghi in cui le difese del corpo sono spesso ai minimi termini. Quando una persona viene ricoverata per un intervento chirurgico o una malattia grave, il flusso naturale del sangue attraverso le vene può rallentare e la risposta allo stress del corpo può rendere il sangue più propenso a coagularsi. Questi coaguli, noti come tromboembolismo venoso, possono formarsi nelle gambe e viaggiare verso i polmoni, causando un'ostruzione che è una delle principali cause di morte evitabile negli ospedali. Per evitare che ciò accada, le linee guida mediche richiedono ai medici e agli infermieri di controllare ogni paziente adulto al momento del ricovero. Devono compilare un modulo specifico che pone una serie di domande sulla storia clinica del paziente, sulla sua condizione attuale e sulla sua mobilità. In base alle risposte, l'équipe medica decide se il paziente ha bisogno di calze speciali, di farmaci anticoagulanti o di entrambi. Questo processo è pensato per essere una rete di sicurezza, intercettando i rischi prima che diventino emergenze.
Tuttavia, compilare questi moduli è un compito manuale che si basa su un essere umano che legge una cartella clinica, ricorda la storia di un paziente e digita le risposte in un computer. Ciò crea un divario tra ciò che il sistema informatico dell'ospedale sa già di un paziente e ciò che il medico scrive sul modulo. Il computer potrebbe avere la registrazione di un intervento chirurgico passato o una diagnosi di cancro, ma se il medico non seleziona manualmente tali voci sulla checklist, il sistema tratterà il paziente come a basso rischio, anche se non lo è realmente. Questo studio, condotto in cinque grandi ospedali di Londra, si è posto una domanda semplice ma critica: il computer dell'ospedale stesso potrebbe compilare automaticamente le risposte per questi moduli di sicurezza, facendo risparmiare tempo ai medici e garantendo che nessun fattore di rischio venga tralasciato?
I ricercatori hanno esaminato una quantità enorme di dati, analizzando quasi 580.000 ricoveri ospedalieri in un periodo di dieci anni. Hanno scoperto che, sebbene i medici fossero molto bravi a compilare i moduli — completandoli per quasi il 97% dei pazienti — la tempistica era spesso errata. Nel 2015, meno della metà di questi moduli veniva completata entro le prime 14 ore dall'arrivo di un paziente, una finestra temporale che le linee guida indicano come cruciale per prevenire i coaguli. Entro il 2024, quel numero era migliorato significativamente, superando il 90%, ma il ritardo rimaneva un problema, specialmente per i pazienti ricoverati per motivi medici piuttosto che chirurgici. Lo studio ha inoltre rivelato che, anche quando i moduli venivano completati, le informazioni scritte su di essi non sempre corrispondevano ai fatti già archiviati nelle cartelle cliniche elettroniche.
Quando il team ha confrontato ciò che i medici scrivevano sui moduli con quanto mostravano le cartelle cliniche del computer, ha riscontrato un modello di dettagli mancanti. Per i fattori comuni, come un paziente di età superiore ai 60 anni, i medici e le cartelle cliniche del computer concordavano la maggior parte delle volte. Ma per i rischi meno comuni ma gravi, i medici spesso dimenticavano di scriverli. Ad esempio, se un paziente veniva ricoverato in un'unità di terapia intensiva, il computer lo sapeva, ma il medico lo annotava sul modulo solo nel 14% dei casi. Allo stesso modo, una storia di coaguli di sangue in famiglia era registrata nel computer per molti pazienti, eppure i medici lo segnalavano sul modulo solo per circa il 5% di quegli stessi pazienti. Ciò significava che i moduli di sicurezza erano spesso privi proprio di quegli indizi che avrebbero attivato i trattamenti protettivi più importanti.
Per vedere se questa mancanza di informazioni fosse rilevante, i ricercatori hanno verificato se i punteggi di rischio sui moduli prevedessero effettivamente chi avrebbe sviluppato un coagulo. Hanno scoperto che i pazienti contrassegnati come ad alto rischio nei moduli avevano effettivamente molte più probabilità di sviluppare coaguli rispetto a quelli contrassegnati come a basso rischio, dimostrando che i moduli erano utili. Tuttavia, hanno anche scoperto che quando i medici scrivevano di aver somministrato un farmaco anticoagulante, ciò non corrispondeva sempre ai registri della farmacia. A volte un medico scriveva di aver somministrato un farmaco, ma il registro della farmacia non mostrava nulla, e viceversa. Questa incoerenza rendeva difficile capire esattamente quanto il sistema attuale stesse proteggendo i pazienti.
Il nucleo dello studio era un esperimento per vedere se un computer potesse svolgere il lavoro del medico nella compilazione del modulo. I ricercatori hanno costruito un modello di machine learning, un tipo di software che impara dai dati passati, per esaminare le cartelle cliniche elettroniche e selezionare automaticamente i fattori di rischio. Hanno testato questo sistema su un gruppo di pazienti e hanno confrontato le sue prestazioni con i moduli effettivamente compilati dai medici. Il modello informatico, utilizzando solo le informazioni disponibili entro le prime 14 ore dal ricovero, è stato capace quanto i medici nel prevedere chi avrebbe sviluppato un coagulo. In effetti, il computer è stato in grado di identificare gli stessi pazienti ad alto rischio individuati dai medici, ma lo ha fatto utilizzando dati che erano già presenti nel sistema, dati che i medici avevano spesso trascurato durante la compilazione del modulo cartaceo.
Lo studio suggerisce che i dati dell'ospedale sono abbastanza ricchi da supportare questi controlli di sicurezza senza richiedere ai medici di reinserire tutto da capo. I modelli informatici hanno dimostrato di poter trovare gli stessi schemi di rischio dei clinici umani e, in alcuni casi, hanno trovato fattori di rischio che gli umani avevano tralasciato. I ricercatori hanno concluso che la strada migliore non è sostituire il medico, ma lasciare che il computer precompili il modulo con le informazioni che già possiede. Il medico dovrebbe quindi semplicemente revisionare le risposte precompilate, confermarle e aggiungere eventuali nuovi dettagli. Questo approccio ridurrebbe il tempo che i medici dedicano alla burocrazia, garantirebbe che i fattori di rischio critici non vengano dimenticati e aiuterebbe gli ospedali a rispettare la rigorosa scadenza delle 14 ore per le valutazioni di sicurezza. Utilizzando i dati che sono già a disposizione, gli ospedali potrebbero rendere le loro reti di sicurezza più forti e affidabili, garantendo che la protezione giusta raggiunga i pazienti giusti al momento giusto.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.