Development and internal validation of a pre-operative machine-learning model for prolonged postoperative stay in older adults undergoing colorectal cancer surgery

Gli ospedali sono luoghi di guarigione, ma per gli anziani un lungo soggiorno può diventare una fonte di nuovi danni. Quando una persona anziana viene ricoverata per un intervento chirurgico maggiore, l'ambiente ospedaliero stesso può innescare un declino delle sue capacità fisiche e mentali. Questo fenomeno, noto come disabilità associata all'ospedalizzazione, include una perdita di forza muscolare, confusione e una ridotta capacità di prendersi cura di se stessi, tutte cose che possono accadere semplicemente perché un paziente è costretto a letto o in una stanza per troppo tempo. Per i pazienti che affrontano un intervento di chirurgia colorettale, la sfida è complicata dal fatto che spesso arrivano con un mix di altri problemi di salute, riserva fisica ridotta e bisogni sociali complessi che rendano difficile il ritorno a casa. I medici sanno da tempo che la fragilità — uno stato di maggiore vulnerabilità allo stress — è un predittore di esiti negativi migliore rispetto all'età da sola, eppure prevedere esattamente chi avrà bisogno di un lungo soggiorno ospedaliero rimane difficile. Gli strumenti tradizionali si concentrano spesso sul rischio di morte o di complicazioni maggiori, trascurando il rischio più sottile ma altrettanto dannoso di un ricovero prolungato che lascia il paziente più debole di quando è arrivato.

In uno studio recente, i ricercatori del Southend University Hospital e del Southmead Hospital hanno cercato di costruire uno strumento digitale per risolvere questo specifico problema. Volevano sapere se avrebbero potuto usare un programma per computer per analizzare i dati sanitari di un paziente prima dell'intervento e prevedere se quel paziente sarebbe rimasto in ospedale per più di dieci giorni. Il team si è concentrato su 197 anziani, tutti di età pari o superiore ai 65 anni, che stavano affrontando la valutazione per un intervento di chirurgia colorettale. Da questo gruppo, hanno analizzato le cartelle cliniche di 149 pazienti che sono effettivamente stati sottoposti all'operazione. I ricercatori hanno raccolto una vasta gamma di informazioni disponibili prima dell'inizio dell'intervento, tra cui l'età del paziente, una misura della sua fragilità chiamata Clinical Frailty Scale, il numero di altre condizioni mediche presenti, quanti farmaci assumeva e la sua situazione sociale, come ad esempio dove viveva e quale aiuto riceveva a casa. Hanno incluso anche i punteggi standard di rischio chirurgico che stimano la difficoltà dell'operazione.

Per dare senso a questo complesso mix di dati, il team ha utilizzato un metodo di apprendimento automatico chiamato classificatore gradient-boosted. Si può pensare a questo come a un programma per computer che impara costruendo una serie di alberi decisionali, dove ogni nuovo albero corregge gli errori di quello precedente, creando infine un modello altamente accurato nel individuare schemi. I ricercatori hanno addestrato questo modello per distinguere tra i pazienti che avrebbero avuto un soggiorno breve o moderato e quelli che avvano avuto un soggiorno prolungato di oltre dieci giorni. Hanno testato il modello rigorosamente, suddividendo ripetutamente i dati in diversi gruppi per garantire che i risultati non fossero solo un colpo di fortuna. Il modello si è dimostrato moderatamente efficace nel suo compito. Ha identificato correttamente i pazienti a rischio di un lungo soggiorno circa il 75% delle volte, con una sensibilità del 66%, il che significa che ha individuato due terzi delle persone che sono effettivamente rimaste troppo a lungo. È stato anche ragionevolmente bravo a escludere coloro che avrebbero avuto un soggiorno più breve, con una specificità del 75%.

Lo studio ha rivelato che gli indizi più potenti per prevedere un lungo soggiorno non erano semplicemente l'età del paziente o il tipo di intervento, ma piuttosto il suo livello di fragilità e il suo punteggio complessivo di rischio chirurgico. Il numero di altre condizioni di salute e la mobilità del paziente hanno giocato ruoli significativi. Interessante è che i ricercatori hanno scoperto che, mentre il modello era discreto nel prevedere un esito binario — ovvero se un soggiorno sarebbe stato lungo o meno — era molto meno affidabile nel prevedere il numero esatto di giorni che un paziente avrebbe trascorso in ospedale. Quando hanno provato a usare il computer per prevedere durate specifiche, le previsioni erano spesso errate di diversi giorni, suggerendo che la durata esatta di un soggiorno ospedaliero è influenzata da troppi fattori imprevedibili per poter essere calcolata con precisione in anticipo. Questa distinzione è fondamentale: lo strumento è più bravo a segnalare un paziente ad alto rischio che necessita di una pianificazione extra piuttosto che a dire a un medico esattamente quando quel paziente verrà dimesso.

Le implicazioni dell'essere in grado di identificare questi pazienti ad alto rischio sono significative. I ricercatori hanno stimato che, se questo modello venisse applicato ai circa 21.000 interventi di cancro all'intestino maggiori eseguiti annualmente in Inghilterra e Galles, potrebbe aiutare a identificare migliaia di pazienti che probabilmente affronteranno un soggiorno prolungato. Un ricovero prolungato non è solo una questione di disponibilità di posti letto ospedalieri; è una minaccia diretta all'indipendenza del paziente. Lo studio ha evidenziato che i pazienti che soggiornano più a lungo sono esposti a tassi più elevati di declino funzionale, delirio e altre complicazioni acquisite in ospedale. Identificando precocemente questi pazienti, i team medici potrebbero potenzialmente intervenire con una preparazione pre-operatoria più intensiva o un supporto post-operatorio per accorciare il loro soggiorno. Anche l'argomento economico è convincente; i ricercatori hanno calcolato che ridurre la durata del soggiorno di un solo giorno per il 10% di questi casi nazionali farebbe risparmiare quasi 2 milioni di sterline solo in costi per i posti letto, una cifra che salirebbe a oltre 5 milioni di sterline se la riduzione fosse ottenuta nel 20% dei casi.

Nonostante questi risultati promettenti, gli autori avvertono con cautela che questo strumento non è ancora pronto per l'uso immediato in ogni ospedale. Lo studio è stato condotto in un singolo centro e si è basato su dati retrospettivi, il che significa che il modello è stato testato su record passati piuttosto che su pazienti futuri. Le prestazioni del modello variavano a seconda di come i dati venivano testati, e i ricercatori hanno sottolineato che deve essere convalidato in un gruppo di pazienti più ampio e diversificato prima di poter essere affidato per guidare le decisioni cliniche. Lo studio conclude che, sebbene l'apprendimento automatico mostri una grande promessa nell'aiutare i medici a pianificare le cure per gli anziani sottoposti a chirurgia colorettale, il passo successivo è testare il modello in studi prospettici in tempo reale, per vedere se agire sulle sue previsioni porti effettivamente a soggiorni ospedalieri più brevi e sicuri. Fino ad allora, lo strumento rimane un ausilio sofisticato per la stratificazione del rischio, offrendo una visione più chiara di chi è più vulnerabile ai pericoli nascosti di un lungo ricovero ospedaliero.