Electronic Health Record-Based Machine Learning Models for Predicting Revascularization, Amputation, and Cardiovascular Mortality in At-Risk Patients

Ogni anno, migliaia di persone affrontano una scelta terrificante: la perdita di un arto o la perdita della propria vita. Questa lotta inizia spesso con una condizione silenziosa e strisciante in cui i vasi sanguigni delle gambe si restringono e si induriscono, privando i muscoli e la pelle di ossigeno. Quando questo blocco diventa grave, può portare a piaghe aperte che rifiutano di guarire o a uno stato in cui l'arto è in costante pericolo di morte. I medici chiamano questa condizione arteriopatia periferica e, nella sua forma più critica, ischemia cronica degli arti. Per i pazienti affetti da queste patologie, o da ulcere del piede diabetico, il percorso da seguire è pieno di incertezze. Un medico deve decidere se eseguire un intervento chirurgico complesso per ripristinare il flusso sanguigno, amputare l'arto danneggiato per salvare la vita del paziente o concentrarsi sulle cure palliative. Queste decisioni sono incredibilmente difficili perché ogni paziente è diverso, portando con sé un mix unico di altri problemi di salute, dal diabete alla cardiopatia, e fattori sociali che influenzano la loro risposta al trattamento.

Per decenni, i medici si sono affidati a sistemi di punteggio e calcolatori di rischio per guidare queste scelte, ma questi strumenti spesso non sono riusciti a guadagnare una fiducia diffusa. Sono troppo rigidi per una malattia che è così disordinata e personale, oppure si basano su dati che sono difficili da raccogliere in modo coerente. Ora, un team di ricercatori della University of North Carolina si è rivolto a un tipo diverso di guida: i massicci registri digitali dell'assistenza ai pazienti stessi. Utilizzando un nuovo modo per organizzare milioni di cartelle cliniche elettroniche, hanno costruito un insieme di modelli informatici progettati per prevedere cosa accadrà successivamente a un paziente. Il loro obiettivo non era sostituire il medico, ma dare a lui una visione più chiara del futuro, aiutando a decidere chi ha bisogno di un intervento chirurgico, chi potrebbe perdere un arto e chi è a rischio di morte per cause cardiovascolari.

I ricercatori sono partiti da un vasto pool di quasi 179.000 pazienti adulti che avevano ricevuto assistenza all'interno del sistema sanitario UNC tra il 2014 e il 2024. Si trattava di persone già note per essere a rischio di perdita di un arto, incluse quelle con arteriopatia periferica, ischemia cronica degli arti o ulcere del piede diabetico. Per dare un senso a questa enorme quantità di informazioni, il team ha utilizzato un sistema standardizzato chiamato Modello di Dati Comune OMOP, che funge da traduttore universale per i dati medici, permettendo a diversi ospedali di parlare la stessa lingua. Hanno aggiunto un'estensione speciale a questo sistema, riempiendola con 127 variabili specifiche relative alle malattie dei vasi sanguigni che solitamente mancano nei registri standard. Ciò ha permesso loro di osservare i pazienti non solo come una collezione di sintomi, ma come persone intere con migliaia di punti dati, che vanno dalla pressione sanguigna e dai risultati di laboratorio, fino alla storia di fumo, alla mobilità e persino allo stato cognitivo.

Utilizzando questo ricco dataset armonizzato, il team ha addestrato algoritmi informatici per cercare schemi che i medici umani potrebbero perdere. Hanno costruito tre modelli di previsione separati. Il primo cercava di indovinare se un paziente avrebbe ricevuto una procedura di rivascolarizzazione, un intervento chirurgico inteso ad aprire le arterie ostruite. Il secondo cercava di prevedere se un paziente avrebbe eventualmente necessitato di un'amputazione. Il terzo tentava di prevedere se un paziente sarebbe morto per un evento cardiovascolare, come un infarto o un ictus. Il computer non si è limitato a guardare i segni evidenti della malattia alle gambe; ha scansionato migliaia di potenziali fattori, dalla presenza di infezioni specifiche al tipo di farmaci assunti dal paziente, per vedere quali di essi contassero davvero per l'esito.

I risultati hanno rivelato una storia di sorprendente chiarezza per alcuni esiti e di ostinata complessità per altri. Il modello progettato per prevedere chi avrebbe subito un intervento di rivascolarizzazione era eccezionalmente accurato. Identificava correttamente i pazienti che avrebbero subito la procedura con un livello di precisione che si avvicinava alla perfezione. I fattori che guidavano questa previsione erano esattamente ciò che un chirurgo vascolare si aspetterebbe: il modello ha scoperto che i segnali più forti erano le malattie specifiche delle arterie stesse, come le ostruzioni negli arti inferiori e i coaguli di sangue. Il computer ha imparato che quando sono presenti questi specifici problemi arteriosi, il sistema medico risponde costantemente con la chirurgia. È stata una conferma che la decisione di operare è guidata da segni obiettivi e chiari di insufficienza arteriosa.

La previsione per l'amputazione era altrettanto forte, sebbene la storia dietro di essa fosse più sfumata. Il modello ha mostrato che il fatto che un paziente perda un arto dipende molto da come il suo corpo e la sua mente gestiscono lo stress del trattamento. I predittori più potenti non erano solo la gravità della ferita alla gamba, ma come il trattamento interagiva con la fragilità generale del paziente. Ad esempio, se un paziente con demenza o grave debolezza fisica subiva una rivascolarizzazione, il modello prevedeva una maggiore probabilità di eventuale amputazione. Al contrario, per i pazienti troppo fragili per sottoporsi alla chirurgia, il modello suggeriva che fossero meno propensi a subire un'amputazione, probabilmente perché il loro team di cura li orientava verso opzioni palliative. Questo risultato evidenzia una realtà difficile: il percorso verso la perdita di un arto è spesso determinato non solo dalla malattia alla gamba, ma dalla capacità del paziente di sopravvivere al viaggio del trattamento.

Tuttavia, il modello per prevedere la morte cardiovascolare raccontava una storia diversa. Sebbene il computer potesse identificare i soliti sospetti — condizioni come l'insufficienza cardiaca, le complicazioni del diabete e l'iperglicemia — non riusciva a prevedere la morte con la stessa fiducia mostrata per gli altri esiti. L'accuratezza di questo modello era modesta, suggerendo che, sebbene i fattori di rischio siano noti, il momento effettivo della morte è influenzato da troppe variabili imprevedibili per essere catturato da una singola formula. I ricercatori hanno osservato che la chirurgia di rivascolarizzazione, che risolve il problema locale alla gamba, non sembrava cambiare il rischio di morire per un evento cardiaco. Ciò implica che salvare un arto e salvare una vita dalla cardiopatia sono due battaglie separate, e risolvere una non garantisce la vittoria nell'altra.

Lo studio ha anche affrontato una speranza comune nella ricerca medica: che l'intelligenza artificiale possa scoprire fattori di rischio completamente nuovi e nascosti che i medici non hanno mai considerato. In questo caso, il computer non ha trovato codici segreti. Le variabili più importanti identificate erano quelle che i clinici sapevano già essere critiche. L'approccio di machine learning non ha inventato nuova conoscenza; al contrario, ha confermato che la comprensione esistente della malattia vascolare è robusta. Ha dimosto che, se si raccolgono dati sufficienti in modo pulito e organizzato, i pattern della malattia diventano chiari. Il fatto che il modello potesse prevedere l'amputazione così bene suggerisce che, con i dati giusti, possiamo prevedere questi esiti, ma mostra anche che prevedere la morte rimane una sfida molto più difficile perché il corpo umano può fallire in molti modi differenti.

Questo lavoro rappresenta un passo significativo nel modo in cui utilizziamo i dati per assistere i pazienti con condizioni che minacciano l'integrità degli arti. Organizzando le cartelle cliniche elettroniche in un formato standard e aggiungendo dettagli specifici sulla malattia dei vasi sanguigni, i ricercatori hanno creato uno strumento capace di apprendere dalle esperienze di quasi 180.000 persone. I modelli che hanno costruito non sono perfetti, e sono stati testati su pazienti di un singolo sistema sanitario, il che significa che devono essere verificati con i dati di altri ospedali per garantire che funzionino ovunque. Eppure, i risultati offrono uno sguardo promettente verso un futuro in cui i medici possono usare la saggezza collettiva di milioni di cartelle cliniche per prendere decisioni migliori e più personalizzate. Per il paziente che affronta la perdita di un arto, questo tipo di chiarezza potrebbe significare la differenza tra un piano di trattamento che funziona e uno che non lo fa, trasformando un'incertezza terrificante in un percorso gestibile.