Nursing Assessment–Derived Risk Profiles and VALENF Instrument–Based Classification in Adult Inpatients: A Two-Stage Machine Learning Study

Gli ospedali sono luoghi in cui la complessità della malattia umana spesso si nasconde dietro etichette semplici. Un paziente arriva con una diagnosi, ma quel singolo termine medico raramente racconta tutta la storia di ciò di cui ha bisogno. Due persone possono avere la stessa malattia, eppure una è abbastanza forte da camminare e mangiare autonomamente, mentre l'altra è fragile, confusa e ad alto rischio di cadute o di sviluppare piaghe da decubito. Per decenni, le cartelle cliniche ospedaliere si sono concentrate pesantemente sulle diagnosi mediche e sui codici amministrativi, che sono utili per la fatturazione e il monitoraggio delle malattie, ma spesso trascurano la realtà quotidiana delle condizioni fisiche e dei bisogni di sicurezza di un paziente. Gli infermieri, tuttavia, sono addestrati a vedere questa immagine mancante. Ogni giorno, essi valutano quanto bene un paziente riesca a muoversi, quanto sia probabile che scivoli e se la sua pelle sia a rischio di danneggiarsi. Queste osservazioni creano una mappa ricca e dettagliata della vulnerabilità del paziente che le cartelle cliniche standard spesso trascurano.

La sfida è sempre stata quella di trasformare queste osservazioni umane e dettagliate in un sistema che possa aiutare medici e infermieri a prendere decisioni più rapide e migliori per migliaia di pazienti. Se un infermiere può individuare un modello di rischio in un paziente, un computer può imparare a individuare lo stesso modello nel successivo? Questa è la domanda a cui un team di ricercatori in Spagna ha cercato di rispondere. Volevano vedere se potevano usare le note infermieristiche specifiche e strutturate che vengono scritte quando un paziente arriva per raggruppare i pazienti in categorie di rischio chiare. Il loro obiettivo non era solo classificare i pazienti, ma costruire uno strumento digitale che potesse assegnare automaticamente un nuovo paziente al giusto gruppo di rischio basandosi su un breve controllo infermieristico di routine, garantendo che le persone più vulnerabili ricevano l'attenzione di cui hanno bisogno senza ritardi.

I ricercatori hanno lavorato con i dati di un ospedale in Spagna, esaminando migliaia di degenze ospedaliere. Hanno iniziato raccogliendo una vasta collezione di record di oltre 2.600 pazienti. Per ciascuno di questi pazienti, avevano accesso alle valutazioni infermieristiche complete e dettagliate effettuate al momento del ricovero. Queste valutazioni includevano punteggi su quanto bene un paziente potesse svolgere compiti quotidiani come mangiare e camminare, la probabilità di sviluppare piaghe da pressione e il rischio di caduta. Includevano anche l'età del paziente, il sesso e un punteggio che contava quanti altri problemi di salute presentava. Utilizzando un metodo informatico che cerca modelli nascosti senza essere istruito su cosa cercare, il team ha lasciato che i dati parlassero da soli. Hanno chiesto al computer di trovare gruppi naturali tra i pazienti basandosi su questi fattori combinati.

Il computer ha trovato cinque gruppi distinti, o profili, che avevano senso per gli esperti umani. Il primo gruppo consisteva in pazienti giovani che erano molto sani e indipendenti, con quasi nessun rischio di caduta o di piaghe da decubito. Il secondo gruppo era simile in termini di indipendenza fisica, ma era composto da pazienti più anziani con più problemi di salute cronici. Il terzo gruppo rappresentava pazienti con difficoltà moderate; potevano ancora fare alcune cose da soli, ma erano chiaramente in difficoltà. Il quarto gruppo includeva pazienti significativamente dipendenti dagli altri per l'assistenza e soggetti ad alti rischi. Infine, il quinto gruppo era il più vulnerabile: pazienti molto anziani con molti problemi di salute che erano completamente dipendenti dagli altri per il movimento e avevano i rischi più elevati di cadute e danni alla pelle. Queste cinque categorie creavano una chiara scala di rischio, passando da coloro che avevano bisogno di poco aiuto a coloro che necessitavano di cure costanti e intensive.

Una volta stabiliti questi cinque gruppi, i ricercatori affrontarono un nuovo compito. Avevano bisogno di un modo per assegnare i nuovi pazienti a questi gruppi senza dover eseguire ogni singola volta la valutazione dettagliata e lunga. Si sono rivolti a uno strumento più breve chiamato strumento VALENF, che è una checklist di sette elementi utilizzata regolarmente dagli infermieri. Questa checklist pone domande semplici che stimano gli stessi rischi dei test più lunghi e dettagliati. Il team ha addestrato un programma per computer a guardare le risposte a queste sette domande e prevedere a quale dei cinque gruppi di rischio appartiene un paziente. Hanno testato diversi tipi di algoritmi di apprendimento automatico, cercando quello più accurato e, cosa cruciale, quello che commetteva gli errori più sicuri.

Nel mondo della valutazione del rischio, un errore può andare in due direzioni: il computer potrebbe pensare che un paziente sia al sicuro quando in realtà è a rischio, oppure potrebbe pensare che un paziente sia a rischio quando in realtà è al sicuro. I ricercatori hanno scoperto che un tipo specifico di algoritmo, noto come "random forest", era la scelta migliore. Sebbene un altro metodo fosse leggermente più accurato in termini assoluti, la random forest era migliore nel essere cauta. Era più propensa ad assegnare un paziente a un gruppo a rischio più elevato se c'era un dubbio, piuttosto che inserire accidentalmente una persona vulnerabile in una categoria a basso rischio. Questo approccio "la sicurezza prima di tutto" è vitale in un contesto ospedaliero, dove mancare un rischio può avere gravi conseguenze. Il modello informatico scelto assegnava correttamente i pazienti ai loro gruppi di rischio circa l'82 percento delle volte durante i test, un livello di prestazione che i ricercatori hanno considerato sufficientemente forte per procedere.

Per vedere se questo sistema avrebbe funzionato nel mondo reale, il team lo ha testato su un set completamente nuovo di pazienti, coinvolgendo oltre 8.000 degenze ospedaliere registrate alcuni anni dopo. Non hanno cambiato affatto il programma informatico; hanno semplicemente inserito i nuovi dati per vedere cosa succedeva. I risultati sono stati incoraggianti. Il sistema ha classificato con successo i nuovi pazienti nei cinque gruppi di rischio e il modello generale di rischio è rimasto coerente. I pazienti nei gruppi ad alto rischio erano effettivamente più anziani, avevano più problemi di salute e una mobilità inferiore rispetto a quelli nei gruppi a basso rischio. Le assegnazioni del computer corrispondevano alla realtà clinica delle condizioni dei pazienti nella stragrande maggioranza dei casi.

Tuttavia, lo studio ha anche rivelato alcune importanti sfumature. Il sistema funzionava meglio per i pazienti nelle categorie di rischio medio e alto. Per i due gruppi di pazienti generalmente sani, il computer a volte li spostava tra le categorie "basso rischio" e "basso rischio con problemi di salute". Ciò accadeva perché il nuovo gruppo di pazienti era leggermente più anziano e aveva leggermente più problemi di salute cronici rispetto al gruppo originale su cui il computer era stato addestrato. Mentre il computer gestiva con grande stabilità i casi complessi e ad alto rischio, le sottili differenze nella popolazione più sana mostravano che il sistema è sensibile ai cambiamenti nel mix di pazienti. I ricercatori hanno osservato che, sebbene lo strumento sia tecnicamente solido e clinicamente logico, non è ancora un prodotto finito pronto per ogni ospedale.

Lo studio conclude che è possibile tradurre la visione complessa e multidimensionale della salute di un paziente in un profilo di rischio semplice e automatizzato utilizzando i dati infermieristici di routine. I cinque gruppi identificati forniscono un modo chiaro e ordinato per comprendere la vulnerabilità del paziente, andando oltre la semplice diagnosi medica per catturare la realtà della funzione quotidiana e della sicurezza. Lo strumento informatico sviluppato per assegnare questi profili funziona bene, particolarmente nell'identificare coloro che hanno bisogno di più cure. Eppure, i ricercatori avvertono con cautela che questo è un punto di partenza, non una soluzione finale. Prima che un sistema del genere possa essere utilizzato per prendere decisioni sull'assistenza ai pazienti negli ospedali, deve essere testato in molti ospedali diversi e monitorato nel tempo per garantire che aiuti a migliorare gli esiti e non crei nuovi problemi. Il lavoro dimostra che l'idea è fattibile e che i dati sono presenti, ma il viaggio da un esperimento informatico di successo a una parte affidabile dell'assistenza infermieristica quotidiana richiede ulteriori prove e una pianificazione attenta.