Development and External Validation of a Transparent Regression-Based In-Hospital Mortality Prediction Model for Critically Ill Patients With Liver Cancer Using MIMIC-IV and eICU-CRD

Ogni anno, il tumore al fegato toglie la vita a milioni di persone in tutto il mondo, ma per un gruppo più ristretto di pazienti, la minaccia immediata non proviene dal tumore stesso, ma dalle improvvise complicazioni potenzialmente letali che li costringono a essere ricoverati in terapia intensiva. Quando un paziente con tumore al fegato arriva in ICU, i medici si trovano di fronte a una realtà difficile: il corpo sta spesso fallendo in più sistemi contemporaneamente e la finestra temporale per prendere le decisioni giuste è incredibilmente stretta. Per aiutare, i team medici si sono affidati a lungo a sistemi di punteggio generali che misurano quanto un paziente sia grave in base ai segni vitali e alla funzione degli organi. Tuttavia, questi strumenti ampi non sono stati costruiti specificamente per la biologia unica del tumore al fegato e spesso trascurano i segnali di avvertimento specifici che contano di più per questo gruppo. La domanda era se fosse possibile creare un metodo più semplice e chiaro, uno che utilizzasse solo le informazioni disponibili nel primo giorno di cure per prevedere chi ha maggiori probabilità di sopravvivere alla degenza ospedaliera.

Un team di ricercatori si è posto l'obiettivo di costruire esattamente questo tipo di strumento, concentrandosi sulla trasparenza e sull'individuazione precoce. Non si sono affidati ad algoritmi complessi e nascosti che agiscono come una "scatola nera", dove il ragionamento dietro una previsione è impossibile da vedere. Invezione, hanno costruito un modello matematico diretto utilizzando dati provenienti da due enormi collezioni di record ospedalieri pubblicamente disponibili. Una collezione proveniva da un singolo grande ospedale negli Stati Uniti, mentre l'altra raccoglieva dati da oltre duecento ospedali in tutto il paese. Combinando queste fonti, il team ha potuto prima costruire un modello su un primo gruppo di pazienti e poi testarlo immediatamente su un gruppo completamente diverso per vedere se reggeva nel mondo reale. Il loro obiettivo era creare un sistema che qualsiasi clinico potesse comprendere, in cui ogni fattore utilizzato per fare una previsione fosse una misurazione di routine effettuata entro le prime ventiquattro ore di degenza in terapia intensiva.

I ricercatori hanno iniziato esaminando migliaia di pazienti adulti con tumore al fegato che avevano trascorso almeno un giorno in terapia intensiva. Hanno setacciato una vasta gamma di potenziali indizi, tra cui l'età, la presenza di un cancro che si era diffuso in altre parti del corpo e una vasta gamma di misurazioni fisiche come frequenza cardiaca, pressione sanguigna e livelli di ossigeno. Hanno anche esaminato i risultati degli esami del sangue che mostravano quanto bene funzionassero il fegato e i reni. Utilizzando un rigoroso processo statistico, hanno ridotto l'elenco ai dodici fattori più importanti che segnalavano costantemente un rischio di morte più elevato. Questi fattori includevano il livello di bilirubina nel sangue, che indica lo stress epatico; la creatinina, un marcatore della funzione renale; e la temperatura, la frequenza cardiaca e la frequenza respiratoria del paziente. Hanno incluso anche il livello di coscienza del paziente, misurato tramite una scala standard, e la presenza di un cancro che si era diffuso oltre il fegato.

Quando hanno testato questo modello a dodici fattori sul primo gruppo di pazienti, ha performato molto bene, distinguendo correttamente tra coloro che sono sopravvissuti e coloro che non lo sono stati nella stragrande maggioranza dei casi. Il modello è stato in grado di assegnare un punteggio di rischio che si allineava strettamente con gli esiti reali. Tuttavia, la vera prova di qualsiasi strumento di previsione medica è se funzioni su pazienti che non ha mai incontrato prima. I ricercatori hanno quindi applicato il loro modello al secondo gruppo indipendente di pazienti provenienti dai diversi ospedali. Qui, i risultati sono stati più modesti ma comunque significativi. Il modello è stato in grado di separare i sopravvissuti dai non sopravvissuti meglio del caso fortuito, sebbene non fosse affilato quanto nel primo gruppo. Questo calo di prestazioni è comune quando ci si sposta da un sistema ospedaliero all'altro, poiché i diversi ospedali registrano i dati in modi leggermente differenti e trattano i pazienti con diversi livelli di intensità. Il modello ha anche mostato una tendenza a sottostimare leggermente il rischio in questo nuovo gruppo, suggerendo che, sebbene lo strumento sia utile, potrebbe dover essere regolato per le specifiche condizioni locali prima di essere utilizzato per guidare le decisioni nel mondo reale.

Lo studio ha anche confrontato il loro nuovo modello specifico per il fegato con un sistema di terapia intensiva generale ampiamente utilizzato, già disponibile nel secondo database. Il sistema generale, che non era progettato per i pazienti oncologici, è performato scarsamente in questo gruppo specifico, non riuscendo a cogliere le sfumature delle complicazioni del tumore al fegato. Al contrario, il nuovo modello, nonostante fosse più semplice e focalizzato solo sul primo giorno di cure, ha fornito un quadro più chiaro del destino del paziente. I ricercatori hanno scoperto che le previsioni del modello erano guidate da un mix logico di fattori: più il fegato e i reni faticavano, più i segni vitali diventavano instabili, e più il cancro si era diffuso, maggiore era il rischio di morte. Interessantemente, il modello ha anche notato che i pazienti con una temperatura corporea più bassa erano a maggior rischio, un segno che il corpo stava perdendo la capacità di autoregolarsi di fronte a una malattia grave.

Nonostante questi risultati promettenti, gli autori dichiarano con cautela che questo strumento non è pronto a sostituire il giudizio di un medico. Lo studio è stato retrospettivo, il che significa che ha analizzato i record passati piuttosto che testare il modello in tempo reale su pazienti viventi. Il gruppo di pazienti utilizzato per il secondo test era relativamente piccolo, il che ha reso più difficile essere certi di quanto bene il modello calibrasse le sue previsioni. I ricercatori sottolineano che il loro lavoro è un punto di partenza, un quadro trasparente che dimostra come sia possibile costruire un calcolatore di rischio specifico e comprensibile per questa popolazione vulnerabile. Prima che un modello del genere possa essere utilizzato in un ospedale, dovrebbe essere testato ulteriormente in gruppi più ampi e perfezionato per adattarsi alle pratiche specifiche dei singoli centri medici. L'obiettivo finale non è automatizzare la decisione di salvare una vita, ma fornire ai clinici un sistema di allerta precoce e chiaro che aiuti loro a comunicare meglio con le famiglie e ad allocare le risorse dove sono più necessarie.