MultiDiseasePred: An Interpretable Multi-Disease Risk Prediction Framework and Its Application for Early Risk Stratification in the Emergency Department

Nel caosico e ad alto rischio ambiente di un pronto soccorso ospedaliero, i primi minuti sono spesso i più critici. Quando arriva un paziente, non è solo un singolo problema; è un complesso insieme di sintomi che potrebbero segnalare qualsiasi cosa, da un attacco cardiaco a una grave infezione o un'embolia polmonare. Tradizionalmente, i medici si sono affidati a elenchi di controllo e sistemi di punteggio separati per valutare ciascuna di queste possibilità una alla volta. Un infermiere potrebbe usare uno strumento per controllare la sepsi, un altro per problemi cardiaci e un terzo per problemi respiratori. Sebbene questi strumenti siano utili, sono progettati per osservare un solo tipo di malattia alla volta. Ciò crea un quadro frammentato, costringendo i clinici a ricomporre mentalmente diversi punteggi di rischio mentre corrono contro il tempo, spesso senza il beneficio di risultati di laboratorio o scansioni radiologiche che arrivano più tardi. La sfida è vedere l'intero paziente immediatamente, comprendendo come i diversi rischi si sovrappongano e competano per l'attenzione prima che la storia medica completa sia nota.

Per affrontare questo problema, un team di ricercatori dell'Università del Minnesota e di altre istituzioni ha sviluppato un nuovo approccio chiamato MultiDiseasePred. Invece di costruire modelli separati per ogni malattia, hanno creato un sistema unico e unificato progettato per osservare un paziente e stimare simultaneamente il rischio di sette diverse condizioni acute e due esiti critici, come se il paziente avrà bisogno di essere ricoverato in ospedale. Il sistema si concentra sulle sette condizioni che spesso si presentano con sintomi precoci confusamente simili: sepsi, sindrome da distress respiratorio acuto, esacerbazioni di malattie polmonari croniche come asma o BPCO, sindrome coronarica acuta (problemi cardiaci), polmonite virale, embolia polmonare (un coagulo di sangue nei polmoni) e insufficienza renale acuta. Prevede inoltre la probabilità di ospedalizzazione e un "esito critico" composito che coinvolge l'ammissione in terapia intensiva o il decesso. L'obiettivo non era solo quello di prevedere questi rischi, ma di farlo utilizzando solo le informazioni disponibili nel momento in cui il paziente varca la soglia, come i parametri vitali, l'età e il motivo principale del consulto, senza attendere esami del sangue o radiografie.

I ricercatori hanno addestrato questo sistema su un enorme dataset composto da quasi 1,7 milioni di visite al pronto soccorso di un grande sistema sanitario in Minnesota, coprendo gli anni dal 2019 al 2025. Hanno poi testato l'efficacia del sistema su gruppi di pazienti completamente diversi provenienti da altri due grandi centri medici: uno a Boston e uno in California. Questo test esterno è stato fondamentale per garantire che il sistema non stesse solo memorizzando i dati locali, ma potesse effettivamente comprendere i segni universali di malattia. Il sistema ha imparato a identificare schemi attraverso milioni di visite, scoprendo che, sebbene ogni malattia sia unica, esse condividono spesso segnali fisiologici sottostanti. Ad esempio, un calo della pressione sanguigna o un cambiamento nella frequenza respiratoria potrebbero essere segnali di avvertimento per diverse condizioni contemporaneamente. Analizzando questi segnali condivisi insieme a indizi specifici, il modello ha imparato a pesare le prove per ciascuna condizione separatamente, pur vedendone le connessioni.

Una caratteristica chiave di questo nuovo framework è la sua capacità di rimanere semplice e pratico per l'uso nel mondo reale. I ricercatori hanno scoperto che non avevano bisogno di una lunga lista di decine di variabili per fare previsioni accurate. Attraverso un processo di selezione accurata, hanno ridotto gli input a soli dodici parametri che vengono regolarmente registrati dagli infermieri di triage, come frequenza cardiaca, pressione sanguigna, livelli di ossigeno, età e anamnesi specifica. Questo set di input "parsimonioso" significa che il sistema può essere utilizzato immediatamente senza richiedere inserimenti di dati complessi o l'attesa dei risultati di laboratorio. Il modello include anche un sistema di spiegazione integrato. Quando segnala un paziente ad alto rischio per una specifica condizione, non fornisce solo un numero; evidenzia esattamente quali fattori hanno contribuito a quella decisione. Ad esempio, se il sistema prevede un alto rischio di embolia polmonare, potrebbe mostrare che l'anamnesi di ipertensione polmonare del paziente è stata il driver principale di quella previsione, permettendo al clinico di vedere la logica dietro l'avviso.

I risultati dello studio sono stati promettenti. Nei test interni, il sistema ha raggiunto un alto livello di accuratezza nel distinguere tra i pazienti che avrebbero sviluppato queste condizioni e quelli che non le avrebbero sviluppate, performando in modo pari o superiore ai modelli esistenti di machine learning per singola malattia. Ancora più importante, quando testato sui dati esterni di Boston e California, il sistema ha mantenuto una solida prestazione senza la necessità di essere riaddestrato o adattato per le nuove località. Ciò suggerisce che i pattern appresi dal modello sono robusti e possono trasferirsi in diversi contesti ospedalieri. Per le sette condizioni acute, il sistema ha identificato i rischi con un alto grado di affidabilità e, per i due endpoint di gestione del paziente, ha ottenuto buone prestazioni. I ricercatori hanno osservato che, sebbene il sistema fosse eccellente nel classificare i pazienti per rischio, la sua capacità di prevedere eventi molto rari con precisione perfetta era leggermente inferiore, una sfida comune nella medicina predittiva. Tuttavia, il sistema ha fornito con successo un profilo di rischio coordinato e multi-condizione che i clinici potevano interpretare immediatamente.

Lo studio ha anche esaminato come il sistema gestisce la realtà dell'assistenza d'emergenza, dove i dati sono spesso incompleti o mancanti. I ricercatori hanno progettato il sistema affinché gestisse le informazioni mancanti utilizzando valori standard predefiniti basati sui dati di addestramento, garantendo che il modello si comporti in modo coerente indipendentemente dal fatto che un parametro vitale specifico sia stato registrato o meno. Hanno inoltre assicurato che il sistema non facesse affidamento sull'Emergency Severity Index, un punteggio spesso assegnato dagli infermieri, per evitare un ragionamento circolare in cui il modello si limita a ripetere la valutazione iniziale dell'infermiere. Invece, esso costruisce una propria valutazione indipendente partendo dai dati clinici grezzi. I ricercatori hanno sottolineato che questo strumento è inteso come un ausilio decisionale, non come un sostituto del giudizio clinico. È progettato per aiutare i clinici a organizzare i propri pensieri e dare priorità alle condizioni da investigare per prime, potenzialmente accelerando il tempo necessario per trattamenti critici come antibiotici per la sepsi o anticoagulanti per i coaguli.

Nonostante la forte prestazione, gli autori avvertono con cautela che si tratta di uno studio retrospettivo, il che significa che ha analizzato dati passati piuttosto che testare il sistema in un ambiente reale e in tempo reale. Riconoscono che prima che uno strumento del genere possa essere ampiamente adottato, deve essere testato prospetticamente per vedere come influisce effettivamente sugli esiti dei pazienti, sull'efficienza del flusso di lavoro e se aiuti o ostacoli il processo decisionale in un concitato dipartimento di emergenza. Ammettono anche delle limitazioni riguardo alle specifiche fonti di dati utilizzate; ad esempio, il sistema si basa su dati strutturati e non incorpora ancora note non strutturate o risultati di imaging. Inoltre, lo studio non ha incluso un'analisi dettagliata di come il sistema operi tra i diversi gruppi razziali o etnici, poiché tali dati non erano costantemente disponibili in tutti gli ospedali studiati. Queste sono aree importanti per la ricerca futura per garantire che lo strumento sia sicuro ed efficace per tutti.

In definitiva, questo lavoro rappresenta un cambiamento nel modo in cui potrebbe essere affrontata la valutazione del rischio nelle emergenze. Passando da una collezione di strumenti isolati per singola malattia verso un framework unificato e interpretabile, i ricercatori hanno dimostionato che è possibile vedere l'intero spettro dei potenziali rischi di un paziente proprio all'inizio della sua assistenza. Il sistema fornisce una probabilità chiara e calibrata per molteplici condizioni contemporaneamente, accompagnata da una spiegazione del perché tali rischi siano stati segnalati. Questo approccio rispetta la complessità del pronto soccorso, dove i pazienti presentano spesso sintomi sovrapposti e molteplici diagnosi potenziali. Sebbene il sistema non sia ancora un prodotto finito pronto per l'impiego immediato in ogni ospedale, offre una prova di concetto convincente che un singolo framework intelligente può aiutare i clinici a navigare nell'incertezza dei primi minuti di un incontro d'emergenza, potenzialmente risparmiando tempo prezioso e migliorando la cura dei pazienti affetti da condizioni potenzialmente letali.