Estimating VO2max in patients with obesity using machine learning: A retrospective observational cohort study

Il corpo umano è un motore straordinario, ma il suo indicatore più vitale è spesso il più difficile da leggere. Questo indicatore è la capacità cardiorespiratoria, ovvero la misura di quanto efficientemente il cuore, i polmoni e i muscoli lavorano insieme per consumare ossigeno durante uno sforzo intenso. In termini medici, questo picco di capacità è noto come VO2max. È un potente predittore della salute a lungo termine; un punteggio basso comporta un rischio di morte precoce paragonabile al fumo o al diabete. Per decenni, l'unico modo per misurarlo accuratamente è stato far correre una persona su un tapis roulant o su una cyclette stazionaria, facendola esercitare finché non era più in grado di proseguire, e analizzare il suo respiro con macchinari costosi e complessi. Questo processo richiede tempo, personale specializzato e può essere fisicamente scoraggiante, specialmente per individui che portano un peso eccessivo. Di conseguenza, molte persone, in particolare quelle con obesità grave, non vengono mai sottoposte a test, lasciando i medici privi di un tassello cruciale di informazioni sulla salute.

Un team di ricercatori in Norvegia ha deciso di risolvere questo problema chiedendosi se un computer potesse imparare a indovinare il livello di fitness di una persona utilizzando solo le informazioni di base già disponibili in una cartella clinica standard. Si sono concentrati specificamente sugli adulti con obesità grave, un gruppo spesso escluso dagli studi che hanno creato le vecchie formule standard per stimare il fitness. Alimentando i programmi informatici avanzati con i dati di 253 pazienti, il team ha addestrato questi modelli a trovare schemi tra misurazioni semplici — come età, altezza e peso — e l'effettivo consumo di ossigeno misurato durante rigorosi test di esercizio fisico. Il loro obiettivo non era sostituire il test medico "gold standard", ma creare un'alternativa affidabile e accessibile per le situazioni in cui il test completo non può essere eseguito.

I ricercatori hanno affrontato il problema in tre fasi, fornendo gradualmente al computer più informazioni con cui lavorare. Nella prima fase, il modello vedeva solo quattro fatti fondamentali: il sesso, l'età, l'altezza e il peso corporeo del paziente. Nella seconda fase, hanno aggiunto le misurazioni della circonferenza vita e fianchi, insieme alle letture della pressione sanguigna. Nell'ultima fase, la più dettagliata, il modello ha appreso anche la massa grassa del paziente e la frequenza cardiaca a riposo e al valore massimo. Il team ha testato undici diversi tipi di modelli di apprendimento automatico per vedere quale riuscisse a fare le stime più accurate. Hanno scoperto che due tipi specifici di modelli, noti come Regressione di Ridge Bayesiana e Determinazione della Rilevanza Automatica, offrivano le prestazioni migliori. Questi modelli hanno imparato a pesare l'importanza di ogni informazione in modo diverso a seconda della quantità di dati disponibili.

Quando i modelli sono stati testati su pazienti che non avevano mai visto prima, hanno mostrato un chiaro schema di miglioramento man mano che venivano aggiunti più dati. Il modello più semplice, utilizzando solo i quattro fatti di base, ha commesso un errore medio di circa il 12,5 percento nel prevedere il consumo di ossigeno. Quando il modello è stato dotato dei dettagli aggiuntivi sulla forma del corpo e sulla pressione sanguigna, l'errore è sceso al 12,0 percento. Con l'insieme completo di informazioni, inclusi la frequenza cardiaca e la massa grassa, l'errore è sceso ulteriormente all'11,3 percento. Sebbene ciò non sia preciso come la misurazione diretta da un test sul tapis roulant, che solitamente presenta un errore di soli 2-6 percento, i ricercatori hanno osservato che un margine di errore dell'11 percento è spesso accettabile per le stime cliniche quando il test diretto non può essere effettuato. Lo studio ha anche rivelato che i modelli informatici erano notevolmente coerenti in ciò che consideravano importante. In tutti e tre i livelli di complessità, il sesso e l'età del paziente sono stati i predittori più forti della forma fisica. Gli uomini hanno mostrato costantemente livelli di fitness più elevati rispetto alle donne, e il fitness è diminuito con l'aumentare dell'età, un modello che si allinea con decenni di conoscenze mediche consolidate.

Lo studio ha anche scoperto come la composizione corporea influenzi queste stime. Nel modello più semplice, il peso corporeo non sembrava contare molto. Tuttavia, una volta che il modello ha appreso la massa grassa e altri dettagli fisiologici, il peso corporeo è diventato un fattore significativo. Questo ha senso perché una persona più pesante deve muovere più massa, il che richiede più ossigeno, ma solo se quella massa extra è tessuto attivo piuttosto che semplice grasso. I ricercatori hanno scoperto che la circonferenza vita era anche un indizio utile; una vita più larga era legata a un fitness inferiore, probabilmente perché l'eccesso di grasso addominale può limitare il movimento del diaframma e rendere più difficile la respirazione durante l'esercizio. Sorprendentemente, la circonferenza dei fianchi e le letture della pressione sanguigna hanno avuto pochissima influenza sulle stime finali, suggerendo che per questo specifico gruppo di pazienti, tali misurazioni non aggiungevano molte nuove informazioni oltre a quelle già note da età, sesso e peso.

Una delle caratteristiche più promettenti dei modelli informatici era la loro capacità di esprimere il dubbio. Poiché i modelli con le migliori prestazioni erano costruiti su un tipo di matematica che gestisce la probabilità, potevano comunicare ai ricercatori quanto fossero sicuri di ogni previsione. Lo studio ha trovato un legame diretto tra la dimensione dell'errore e l'incertezza dichiarata dal modello: quando il modello era meno sicuro, era più propenso a sbagliare. Questa caratteristica potrebbe essere vitale in una clinica reale, poiché permetterebbe a un medico di vedere non solo un numero, ma anche un segnale di avvertimento se quel numero è probabilmente impreciso. Ciò aiuterebbe i clinici a decidere quando è sicuro fare affidamento sulla stima e quando un paziente necessita realmente del test di esercizio completo e rigoroso.

I ricercatori sono stati attenti a sottolineare che le loro scoperte si basano su un gruppo relativamente piccolo di pazienti di un singolo ospedale in Norvegia e che i modelli non raggiungono ancora l'accuratezza della misurazione diretta. Hanno enfatizzato che, sebbene questi strumenti siano un passo avanti, non sono una soluzione definitiva. Lo studio suggerisce che con gruppi di persone più ampi e forse più dati sulle abitudini di vita, queste ipotesi informatiche potrebbero diventare ancora più precise. Per ora, il lavoro dimostra che l'apprendimento automatico può tradurre con successo i dati medici di routine in una stima significativa della salute del cuore e dei polmoni, offrendo un modo nuovo e meno gravoso per monitorare il fitness in una popolazione che è stata storicamente difficile da valutare.