A Multimodal Machine Learning Model for Predicting Prolonged Hospital Stay After Total Hip and Knee Arthroplasty：Development, Internal Validation, and External Validation in MIMIC-IV

Gli ospedali sono ecosistemi vasti e complessi dove l'obiettivo è sempre quello di guarire, ma il percorso verso la ripresa raramente è lo stesso per due persone diverse. Quando un paziente si sottopone a un intervento chirurgico maggiore di sostituzione articolare, come la sostituzione di un'anca o di un ginocchio usurati, il team medico si trova di fronte a una domanda critica: quanto tempo questa persona dovrà rimanere in ospedale? Un soggiorno che si protrae troppo a lungo non è solo un onere finanziario per il sistema sanitario; aumenta anche il rischio di infezioni e altre complicazioni per il paziente. Per decenni, i medici hanno cercato di prevedere questi soggiorni prolungati utilizzando una checklist di fatti standard: l'età del paziente, i risultati degli esami del sangue e la gravità delle altre condizioni mediche. Questi numeri raccontano una storia, ma spesso tralasciano le parti più dettagliate della vita e della storia del paziente, che sono frequentemente sepolte nelle note scritte e nei codici diagnostici che accompagnano le loro cartelle cliniche.

Un team di ricercatori ha costruito un nuovo tipo di strumento digitale progettato per leggere sia i numeri che le parole per fare una previsione migliore. Insegnando a un computer a osservare i dati medici standard insieme al testo non strutturato presente nelle cartelle cliniche dei pazienti, hanno creato un sistema in grado di individuare i segni di una ripresa difficile molto prima rispetto ai metodi tradizionali. Questo approccio non si basa su supposizioni o intuizioni; al contrario, impara da migliaici casi passati per trovare schemi che l'occhio umano potrebbe perdere. Il risultato è un quadro più chiaro di chi è probabile che affronti un lungo soggiorno in ospedale, permettendo ai medici di prepararsi meglio e potenzialmente di accorciare il tempo che un paziente trascorre in ospedale.

I ricercatori hanno iniziato il loro lavoro raccogliendo dati da un grande database di pazienti che avevano subito una primo artroplastica totale di anca o di ginocchio in un importante ospedale in Corea del Sud. Si sono concentrati su 2.647 adulti che avevano subito il primo intervento di sostituzione articolare. Per definire cosa rappresentasse un soggiorno "prolungato", hanno stabilito un parametro specifico: qualsiasi ospedalizzazione della durata di diciassette giorni o più. Questa soglia rappresentava il 25 percento dei soggiorni più lunghi nel loro gruppo, un punto in cui i costi clinici ed economici dell'ospedalizzazione diventano significativi. Il team ha poi fornito al loro modello informatico due tipi distinti di informazioni. Il primo tipo consisteva in dati strutturati, ovvero i fatti ordinati e organizzati che i medici raccolgono regolarmente, come età, genere, indice di massa corporea e specifici risultati degli esami del sangue come albumina ed emoglobina. Il secondo tipo era il testo non strutturato, derivato dai codici diagnostici ICD-10. Questi codici sono la abbreviazione standard che i medici usano per elencare ogni condizione che un paziente ha, dall'artrite all'ipertensione. I ricercatori hanno trattato questi codici come una narrazione, convertendo l'elenco delle diagnosi in un formato che il computer potesse analizzare per significato.

Per costruire il loro motore di previsione, il team ha addestrato nove diversi algoritmi di machine learning, ovvero programmi informatici progettati per imparare dai dati piuttosto che seguire regole rigide e pre-scritte. Hanno testato questi modelli per vedere quale potesse distinguere meglio tra i pazienti che avrebbero lasciato l'ospedale rapidamente e quelli che sarebbero rimasti per diciassette giorni o più. Il modello di maggior successo è stato un sistema sofisticato chiamato LightGBM, che si è dimostrato eccezionalmente bravo a trovare le sottili connessioni tra la storia di un paziente e i suoi tempi di recupero. Quando testato su una parte dei dati che il modello non aveva mai visto prima, ha raggiunto un alto livello di accuratezza, identificando correttamente il rischio di un lungo soggiorno con un'AUC di 0,9160. Questa prestazione è stata significativamente migliore rispetto ai modelli che si basavano solo sugli esami del sangue standard e sulla demografia, dimostrando che l'ulteriore livello di informazione derivante dal testo diagnostico aggiungeva un valore reale.

Uno degli aspetti più rivelatori dello studio è stato scoprire esattamente cosa avesse trovato più importante il computer. Quando i ricercatori hanno chiesto al modello di spiegare il proprio ragionamento, hanno scoperto che sei dei venti fattori più influenti derivavano direttamente dal testo diagnostico piuttosto che dagli esami del sangue. Mentre fattori come l'indice di massa corporea e i bassi livelli di albumina nel sangue erano effettivamente forti predittori, l'analisi del testo ha evidenziato condizioni specifiche che le checklist tradizionali spesso trascurano. Ad esempio, la presenza di osteoartrite del ginocchio, dolore non specificato e altre forme di patologia articolare sono emerse come segnali potenti che un paziente potrebbe necessitare di più tempo per recuperare. Ciò suggerisce che la combinazione specifica di condizioni che un paziente porta con sé, come scritto nella sua cartella, racconta una storia più completa rispetto ai soli numeri. Il modello ha inoltre confermato che la durata dell'intervento chirurgico stesso è stato un fattore chiave, riflettendo la complessità della procedura.

Per garantire che le loro scoperte non fossero solo un incontro fortunato per un gruppo specifico di pazienti, i ricercatori hanno portato il loro modello in un database completamente diverso proveniente dagli Stati Uniti, noto come MIMIC-IV. Questo database contiene record di una grande unità di terapia intensiva a Boston e rappresenta un sistema sanitario, un periodo temporale e una popolazione differenti. Inizialmente, la prestazione del modello è calata quando applicata all'intero pool di pazienti in questo nuovo database, che includeva molte persone che non avevano subito una sostitesi articolare. Tuttavia, quando i ricercatori hanno filtrato i dati per guardare solo i pazienti che avevano effettivamente ricevuto sostituzioni d'anca o di ginocchio, l'accuratezza del modello è schizzata in alto. In questo gruppo specifico, il modello ha performato ancora meglio rispetto allo studio originale, raggiungendo un'AUC di 0,9396. Questo drammatico miglioramento in un contesto esterno indipendente suggerisce che lo strumento è robusto e può adattarsi a diversi ambienti, a patto che venga utilizzato sul gruppo giusto di persone. È importante notare che, per questa validazione esterna, alcune variabili come l'indice di massa corporea erano mancanti dal database e dovevano essere stimate dai ricercatori, eppure il modello ha comunque dimostrato una prestazione eccezionale.

Lo studio ha anche esaminato quanta quantità di dati fosse necessaria per rendere il modello affidabile. Testando il sistema con quantità crescenti di record dei pazienti, i ricercatori hanno scoperto che il modello impara rapidamente e si stabilizza una volta esaminati circa due terzi dei dati di addestramento disponibili. Ciò indica che lo strumento non richiede una quantità impossibile di informazioni per funzionare efficacemente e che non sta semplicemente memorizzando i dati, ma sta imparando schemi genuini. La capacità del modello di generalizzare così bene a un nuovo database indipendente è un forte segnale del fatto che ha catturato verità fondamentali sul recupero dopo un intervento articolare, piuttosto che semplici peculiarità dei record di un singolo ospedale.

Nonostante questi successi, i ricercatori sono cauti nel sottolineare i confini del loro lavoro. Il modello è stato costruito utilizzando dati di una singola istituzione in Corea del Sud ed è stato validato in una singola unità di terapia intensiva negli Stati Uniti, il che significa che non è ancora stato testato attraverso una vasta gamma di sistemi sanitari globali. Inoltre, alcune informazioni importanti, come l'esatto indice di massa corporea o la classificazione specifica dello stato di salute generale di un paziente, erano mancanti dal database esterno e dovevano essere stimate, il che potrebbe introdurre una certa incertezza. I ricercatori sottolineano inoltre che la loro definizione di "lungo soggiorno" si basava sulla distribuzione specifica del loro gruppo iniziale, il che potrebbe non applicarsi perfettamente a ogni ospedale del mondo. Essi enfatizzano che, sebbene lo strumento sia potente, esso è un punto di partenza per la ricerca futura piuttosto che una soluzione finale.

L'obiettivo ultimo di questo lavoro è passare dalla semplice previsione all'azione. Identificando i pazienti ad alto rischio di un soggiorno prolungato prima ancora che entrino in sala operatoria, i medici possono intervenire precocemente. Potrebbero regolare la medicazione di un paziente, organizzare fisioterapia aggiuntiva o coordinarsi con gli assistenti sociali per garantire una transizione fluida verso casa. Lo studio dimostra che le informazioni necessarie per prendere queste decisioni sono già presenti nelle cartelle cliniche dei pazienti, in attesa di essere lette correttamente. Combinando i numeri rigidi degli esami del sangue con il ricco contesto delle note diagnostiche, questo nuovo approccio offre un modo per rendere l'assistenza ospedaliera più efficiente e personalizzata. Suggerisce che il futuro della previsione medica non risiede nella scelta tra dati e testo, ma nel tesserli insieme per vedere l'immagine completa della salute di un paziente.