Machine learning-based identification of key risk factors for deep vein thrombosis within one week after total joint arthroplasty in elderly patients

Ogni anno, milioni di anziani si sottopongono a interventi chirurgici maggiori per sostituire articolazioni dell'anca o del ginocchio logore, una procedura che ripristina la mobilità e allevia il dolore. Tuttavia, il processo di recupero comporta un pericolo nascosto: la formazione di coaguli di sangue nelle vene profonde delle gambe, una condizione nota come trombosi venosa profonda. Per i pazienti anziani, questa complicazione è particolarmente seria. Può prolungare i periodi di degenza ospedaliera, aumentare i costi medici e, nei casi più gravi, portare a eventi potenzialmente letali se un coagulo viaggia verso i polmoni. I medici si sono a lungo affidati a checklist standard per stimare chi sia più a rischio, ma questi strumenti spesso trattano tutti i pazienti sottoposti a sostituzione articolare allo stesso modo, etichettandoli tutti come ad alto rischio senza distinguere chi sia realmente in pericolo. Questa mancanza di precisione rende difficile fornire il giusto livello di protezione per ciascun individuo.

Per risolvere questo problema, i ricercatori si sono rivolti a un ramo dell'informatica chiamato apprendimento automatico (machine learning). Invece di seguire un insieme fisso di regole, questi programmi informatici imparano da enormi quantità di dati passati sui pazienti per trovare schemi complessi che gli osservatori umani potrebbero perdere. L'obiettivo è costruire uno strumento digitale in grado di analizzare la storia clinica di un paziente, i risultati degli esami del sangue e i dettagli del suo intervento chirurgico per prevedere con alta precisione se svilupperà un coagulo di sangue entro la prima settimana dopo l'operazione. Identificando i fattori specifici che contano di più, uno strumento del genere potrebbe aiutare i medici a personalizzare le strategie di prevenzione, garantendo che chi ha bisogno di cure extra le riceva, evitando al contempo trattamenti non necessari per chi non ne ha bisogno.

Un team di ricercatori della University of Science and Technology of China ha intrapreso l'obiettivo di costruire e testare uno strumento simile. Hanno raccolto informazioni su 3.050 pazienti anziani, tutti di età pari o superiore a 60 anni, che avevano subito un'artroplastica totale in un singolo ospedale nel 2024. Il team ha raccolto una vasta gamma di dati per ogni persona, tra cui età, sesso, indice di massa corporea e storia clinica di condizioni come diabete o cancro. Hanno anche estratto numeri specifici dai test del sangue preoperatori, come i livelli di infiammazione e i fattori di coagulazione del sangue, e hanno registrato dettagli dalla sala operatoria, inclusa la durata dell'intervento, l'uso di cemento osseo e l'applicazione di un laccio emostatico per arrestare il flusso sanguigno durante la procedura. L'esito che cercavano di prevedere era semplice ma critico: il paziente ha sviluppato un coagulo di sangue nella gamba entro sette giorni dall'intervento, come confermato da un'ecografia?

Per addestrare i loro modelli informatici, i ricercatori hanno dovuto affrontare un problema comune nei dati medici: la maggior parte dei pazienti non sviluppa coaguli, mentre un numero minore sì. Questo squilibrio può confondere un algoritmo di apprendimento. Per risolvere il problema, hanno utilizzato una tecnica che crea esempi sintetici del gruppo meno comune, bilanciando efficacemente il dataset in modo che il computer potesse imparare da entrambi i lati in modo uguale. Hanno poi suddiviso i dati, utilizzando la maggior parte di essi per insegnare a quattro diversi tipi di algoritmi di machine learning come effettuare previsioni, e riservando il resto per testare quanto bene tali previsioni funzionassero su nuovi pazienti mai visti prima. I quattro algoritmi testati includevano una tecnica statistica tradizionale nota come regressione logistica, un albero di decisione che pone una serie di domande sì-no, una foresta casuale (random forest) che combina molti alberi di decisione e un metodo potente chiamato XGBoost, che costruisce un modello altamente accurato imparando dai propri errori.

Quando il team ha confrontato i risultati, un modello si è distinto chiaramente. L'algoritmo XGBoost si è dimostrato il più efficace, identificando correttamente la stragrande maggioranza dei pazienti che avrebbero sviluppato o meno un coagulo. Ha raggiunto un livello di accuratezza che ha superato di gran lunga gli altri metodi, incluso l'approccio statistico tradizionale che faticava a cogliere le complesse relazioni tra i diversi fattori di rischio. Il modello random forest ha ottenuto buone prestazioni, ma non è stato altrettanto preciso, mentre l'albero di decisione e il modello statistico tradizionale sono rimasti significativamente indietro. La prestazione superiore del modello XGBoost suggerisce che il rischio di sviluppare un coagulo non è guidato da un singolo fattore, ma da una complessa rete di interazioni che solo un programma informatico sofisticato può districare.

Per capire perché questo modello funzionasse così bene, i ricercatori hanno utilizzato un metodo per scrostare gli strati dell'algoritmo e vedere quali specifiche informazioni guidassero le previsioni. Hanno scoperto che i fattori più influenti non erano la durata dell'intervento o l'uso di cemento osseo, come ci si potrebbe aspettare, bensì gli esami del sangue preoperatori del paziente. Nello specifico, il tempo necessario per la coagulazione del sangue, il livello di una proteina chiamata proteina C-reattiva, che segnala l'infiammazione, e la quantità di una sostanza chiamata D-dimero erano i predittori più forti. Anche il sesso del paziente giocava un ruolo significativo, con le donne che mostravano un rischio maggiore rispetto agli uomini in questo gruppo. Questi risultati sono in linea con quanto noto sull'interazione tra infiammazione e coagulazione del sangue nel corpo, suggerendo che lo stato interno di un paziente prima dell'intervento sia un indicatore di rischio precoce più affidabile rispetto ai dettagli dell'operazione stessa.

Lo studio conclude che questo approccio di machine learning offre un modo promettente per migliorare l'assistenza ai pazienti. Utilizzando un modello capace di analizzare con precisione dati medici complessi, i medici potrebbero presto essere in grado di identificare i pazienti anziani ad alto rischio di coaguli con una precisione molto maggiore rispetto ai metodi attuali. Ciò consentirebbe strategie di prevenzione più mirate, concentrando le risorse su coloro che ne hanno più bisogno. Sebbene i ricercatori sottolineino che il loro lavoro si basa sui dati di un singolo ospedale e richiede ulteriori test su gruppi più ampi per confermarne l'affidabilità, i risultati forniscono una solida base per una nuova era di valutazione del rischio personalizzata nella chirurgia ortopedica. Il percorso da seguire prevede la validazione di queste scoperte in diversi centri medici per garantire che lo strumento funzioni per tutti, ma la possibilità di prevenire una complicazione pericolosa attraverso una migliore previsione è ormai a portata di mano.