Development and Validation of a Predictive Model of Major Adverse Kidney Events within 30 Days in Patients with Sepsis-Associated Acute Kidney Injury： Retrospective Cohort Study

In terapia intensiva, il corpo è spesso impegnato in una guerra su due fronti. Un nemico è la sepsi, una reazione potenzialmente letale a un'infezione che spinge il sistema immunitario in uno stato di iperattività, danneggiando organi e tessuti. L'altro è l'insufficienza renale acuta, un improvviso fallimento dei reni nel filtrare i rifiuti dal sangue. Quando queste due condizioni colpiscono insieme, la situazione diventa particolarmente pericolosa. I reni sono tra i primi organi a soffrire quando il corpo è sopraffatto dalla sepsi e, quando essi falliscono, il rischio di morte o di disabilità a lungo termine aumenta drasticamente. Per decenni, i medici si sono affidati a linee guida generali per diagnosticare e gestire queste condizioni, ma queste regole sono progettate per popolazioni ampie, non per la realtà unica e complessa di un singolo paziente disteso in un letto d'ospedale. La sfida è stata passare da regole generali a previsioni precise: sapere, precocemente, quali pazienti specifici avranno maggiori probabilità di subire esiti renali gravi entro un mese, affinché le cure possano essere personalizzate per salvarli.

Un team di ricercatori si è posto l'obiettivo di costruire uno strumento che potesse effettuare questa previsione con maggiore accuratezza. Si sono rivolti a una vasta collezione di cartelle cliniche digitali di migliaoli di pazienti che erano stati ricoverati in unità di terapia intensiva negli Stati Uniti. Nello specifico, si sono concentrati su un gruppo di 10.906 adulti che avevano sviluppato un'insufficienza renale acuta entro due giorni dalla diagnosi di sepsi. I ricercatori volevano vedere se riuscivano a identificare un modello nei dati che segnalasse un alto rischio di "maggiori eventi avversi renali" entro 30 giorni. Questo esito è una combinazione seria di tre cose: morire in ospedale, necessitare di una macchina per filtrare il sangue (dialisi) o avere una funzione renale che rimanga permanentemente danneggiata dopo la dimissione. Per trovare la risposta, il team non si è affidato a una singola formula o a una semplice lista di controllo. Al contrario, ha utilizzato un tipo sofisticato di apprendimento informatico, spesso chiamato apprendimento automatico (machine learning), che permette a un computer di trovare relazioni complesse e nascoste in enormi quantità di dati che l'occhio umano potrebbe ignorare.

I ricercatori hanno fornito al computer una vasta gamma di informazioni su ogni paziente, raccolte durante le prime 24 ore del suo soggiorno in terapia intensiva. Queste includevano dettagli basilari come età e genere, una storia di altre malattie come cardiopatie o diabete, e un'istantanea del loro stato fisico attuale. Il computer ha analizzato i parametri vitali come la frequenza cardiaca e la velocità di respirazione, così come dettagliati esami del sangue che misurano quanto bene funzionano il fegato e i reni, la quantità di ossigeno nel sangue e come il corpo sta gestendo l'infezione. Hanno inoltre rilevato se ai pazienti erano stati somministrati farmaci che potrebbero essere duri per i reni o farmaci per sostenere la pressione sanguigna. Il team ha testato otto diversi tipi di algoritmi di machine learning, ciascuno dei quali utilizza un approccio matematico leggermente diverso per apprendere dai dati. Hanno addestrato questi modelli su un grande gruppo di pazienti e poi li hanno testati su un gruppo separato per vedere se i modelli potessero prevedere correttamente l'esito per persone che non avevano mai visto prima.

Dopo aver eseguito i test, un modello si è distinto come il più affidabile. Si trattava di un sistema noto come CatBoost, che si è dimostrato migliore nel distinguere tra i pazienti che avrebbero avuto un buon esito e quelli che avrebbero affrontato un evento renale maggiore rispetto a qualsiasi degli altri sette modelli con cui è stato confrontato. Quando i ricercatori hanno applicato questo modello con le migliori prestazioni a un set completamente diverso di pazienti provenienti da un altro database, esso ha mantenuto la sua accuratezza, suggerendo che i modelli appresi fossero reali e non solo un caso fortuito del primo gruppo di dati. Il modello ha raggiunto un livello di accuratezza che è considerato forte nella previsione medica, identificando correttamente il rischio per la stragrande maggioranza dei pazienti. Ciò significa che, per un nuovo paziente con sepsi e insufficienza renale, il modello può osservare i suoi dati iniziali e fornire una stima chiara del suo rischio di subire un evento renale maggiore entro un mese.

Per garantire che i medici potessero fidarsi e comprendere le decisioni del modello, i ricercatori non l'hanno trattato come una "scatola nera" che fornisce semplicemente una risposta senza spiegazione. Hanno utilizzato un metodo per scomporre la previsione e mostrare esattamente quali fattori stavano spingendo il rischio verso l'alto o verso il basso per ogni individuo. L'analisi ha rivelato che il predittore più potente di un esito negativo era semplicemente la gravità dell'insufficienza renale stessa al momento dell'ammissione. I pazienti con stadi più avanzati di danno renale avevano molte più probabilità di avere un esito infausto. Oltre ai reni, il modello ha evidenziato l'importanza della storia clinica generale del paziente, della gravità della sua insufficienza d'organo e della sua frequenza respiratoria. Ha anche mostrato che l'esposizione a determinati farmaci che possono danneggiare i reni aumentava il rischio. Mostrando come questi fattori si combinassero per creare un profilo di rischio specifico per una singola persona, il modello va oltre la statistica generica per offrire una visione personalizzata della situazione del paziente.

Lo studio conferma che è possibile utilizzare i dati del primo giorno di degenza in terapia intensiva per prevedere gravi complicazioni renali nei pazienti affetti da sepsi. I risultati suggeriscono che, combinando i parametri vitali immediati del paziente, i suoi esami del sangue e la sua storia clinica, un modello informatico può fornire una valutazione trasparente e accurata del suo rischio futuro. Questo approccio non sostituisce il giudizio di un medico, ma offre uno strumento potente per supportarlo. Permette alle équipe mediche di identificare precocemente i pazienti più vulnerabili, consentendo potenzialmente di intervenire prima o di monitorarli più attentamente. Sebbene il modello sia stato testato su dati provenienti da ospedali americani e possa necessitare di ulteriori validazioni in altre parti del mondo, la scoperta fondamentale è che i segnali di un esito renale negativo sono presenti e misurabili fin dall'inizio di una malattia critica. Questo lavoro rappresenta un passo verso un futuro in cui l'assistenza in terapia intensiva sia guidata da previsioni precise e individualizzate, piuttosto che da medie generali, aiutando a garantire che i pazienti più a rischio ricevano l'attenzione di cui hanno bisogno.