Explainable Machine Learning for 30-Day Hospital Readmission Risk Prediction in Patients with Diabetes: A Comparative Analysis of Model Performance and Algorithmic Fairness

Ogni anno negli Stati Uniti, milioni di persone lasciano l'ospedale solo per tornarci entro un mese. Per i pazienti con diabete, questo ciclo è particolarmente comune, con quasi uno su quattro che ritorna per un altro ricovero ospedaliero. Questi ritorni non sono solo una difficoltà personale; rappresentano un enorme onere finanziario per il sistema sanitario, costando miliardi di dollari ogni anno. Per scoraggiare questo schema, i programmi federali possono ridurre i pagamenti agli ospedali che non riescono a mantenere bassi i tassi di riammissione. Eppure, nonostante l'alto rischio in gioco, gli ospedali spesso mancano di un modo affidabile per sapere quali pazienti specifici siano più propensi a tornare prima che vengano dimessi. I medici devono prendere queste decisioni basandosi sull'esperienza e l'intuizione, pesando contemporaneamente decine di fattori come l'età del paziente, la storia medica passata e i farmaci attuali.

È qui che interviene l'apprendimento automatico (machine learning), non come un sostituto del giudizio umano, ma come uno strumento per aiutare a filtrare il rumore. L'apprendimento automatico è un metodo in cui i computer imparano a riconoscere schemi in grandi quantità di dati senza essere esplicitamente programmati con un insieme di regole. In questo contesto, l'obiettivo è costruire un sistema in grado di esaminare la cartella clinica di un paziente e stimare la probabilità di una visita di ritorno. La sfida risiede nel volume enorme di informazioni disponibili; una singola cartella clinica può contenere centinaia di diversi punti dati, dai risultati degli esami di laboratorio al tipo di assicurazione posseduta. Inoltre, i dati sono spesso disordinati, con valori mancanti e relazioni complesse tra le variabili che sono difficili da tracciare manualmente per un essere umano. La domanda che i ricercatori si sono posti è stata se un computer potesse imparare a individuare i segnali sottili di rischio nascosti in questa complessità meglio di quanto possa fare una semplice lista di controllo.

Un ricercatore dell'Università della Pennsylvania, Zisheng Liang, ha affrontato questo problema costruendo e testando diversi modelli informatici per prevedere le riammissioni a 30 giorni per i pazienti diabetici. Lo studio si è basato su una vasta collezione di cartelle cliniche reali provenienti da oltre 100.000 degenze ospedaliere in 130 ospedali negli Stati Uniti, nell'arco di quasi un decennio. Dopo aver pulito attentamente i dati — rimuovendo i record incompleti o irrilevanti e organizzando le informazioni in un formato comprensibile per i computer — il ricercatore si è ritrovato con un dataset in cui solo circa l'11 percento dei pazienti era effettivamente stato riammesso. Questo squilibrio significava che un computer avrebbe potuto semplicemente indovinare "nessun ritorno" per ogni singolo paziente e sarebbe stato corretto la maggior parte delle volte, ma avrebbe fallito completamente nel suo compito effettivo di trovare le persone che avevano bisogno di aiuto.

Per risolvere questo problema, il ricercatore ha addestrato quattro diversi tipi di algoritmi, ciascuno con il proprio modo di interpretare i dati. Un tipo, chiamato regressione logistica, funziona come una bilancia ponderata, sommando i fattori per arrivare a una decisione. Un altro, l'albero di decisione, pone una serie di domande sì-o-no per restringere il campo della risposta. Un terzo, la foresta casuale (random forest), combina la logica di molti alberi di decisione per creare una previsione più robusta. Il ricercatore ha anche creato nuove caratteristiche per aiutare i modelli, come il conteggio del numero totale di farmaci assunti da un paziente o il raggruppamento di codici medici complessi in categorie più ampie come problemi "circolatori" o "respiratori". Fondamentalmente, i dati sono stati suddivisi in modo da imitare la vita reale: il modello ha appreso dalle visite passate ed è stato testato su quelle future, garantendo la capacità di prevedere ciò che sarebbe accaduto successivamente piuttosto che limitarsi a memorizzare ciò che era già avvenuto.

Quando i modelli sono stati messi alla prova, i risultati sono stati rivelatori. Nessuno degli algoritmi ha raggiunto una precisione perfetta, il che il ricercatore ha notato essere previsto data la difficoltà di prevedere il comportamento umano e gli esiti sanitari. Tuttavia, il modello della foresta casuale è emerso come lo strumento più efficace per l'obiettivo specifico dello studio. È riuscito a identificare circa il 71 percento dei pazienti che erano effettivamente stati riammessi, un tasso significativamente più alto rispetto agli altri modelli. Sebbene gli altri modelli fossero leggermente migliori nell'evitare i falsi allarmi, la capacità della foresta casuale di intercettare la maggior parte dei pazienti ad alto rischio la rendeva lo strumento più prezioso per un ospedale che cercasse di prevenire i ritorni. L'analisi ha mostrato che i fattori più importanti che guidavano queste previsioni non erano sorprendenti per i professionisti medici: il numero di precedenti degenze ospedaliere, il numero totale di visite precedenti e il luogo in cui il paziente veniva dimesso erano gli indicatori di rischio più forti.

Lo studio ha anche esaminato attentamente se questi modelli trattassero equamente i diversi gruppi di persone, controllando se le previsioni variassero in base a razza, genere o età. I risultati hanno mostrato che nessun modello era perfettamente equo per tutti i gruppi. Il modello della foresta casuale, pur essendo il migliore nel catturare i pazienti ad alto rischio in generale, mostrava un divario di prestazioni maggiore tra i diversi gruppi razziali rispetto ai modelli più semplici. Il ricercatore ha riconosciuto questo compromesso, osservando che, sebbene il modello non fosse ugualmente accurato per ogni gruppo demografico, la sua superiore capacità di identificare i pazienti che avevano realmente bisogno di intervento lo rendeva la scelta migliore per l'implementazione, a condizione che i medici rimangano consapevoli di tali limitazioni.

In definitiva, lo studio conclude che, sebbene l'apprendimento automatico non possa prevedere perfettamente il futuro, può servire come un potente assistente. Il sistema proposto non prenderebbe decisioni al posto dei medici, ma fornirebbe invece un elenco classificato di pazienti, evidenziando quelli più propensi a tornare in modo che i team di cura possano dare loro priorità per un supporto extra, come appuntamenti di follow-up o revisioni farmacologiche. Il ricercatore ha sottolineato che questo strumento è ancora un lavoro in corso; i dati utilizzati risalgono alla fine degli anni '90 e all'inizio degli anni 2000, il che significa che non riflettono le attuali pratiche mediche o le condizioni sociali come la stabilità abitativa. Prima che un sistema del genere possa essere utilizzato in un vero ospedale, deve essere testato su dati moderni e validato per garantire che funzioni come previsto. Per ora, il lavoro dimostra che i computer possono imparare a riconoscere i complessi schemi di rischio nella cura del diabete, offrendo una potenziale via per ridurre il ciclo dei ritorni ospedalieri, anche se il percorso non è ancora del tutto spianato.