Statistical learning and prediction of diseases associated with the occurrence of death in the emergency department: An observational study on administrative data from Saint Joseph Hospital in Kinshasa-DRC

Immagina di entrare in una stazione ferroviaria frenetica e caotica. La gente accorre da tutte le direzioni, qualcuno con una caviglia slogata, altri che si stringono il petto, e altri ancora che sembrano completamente smarriti. Il lavoro del direttore della stazione è capire chi ha bisogno di aiuto immediato e chi può aspettare, il tutto cercando di prevedere chi potrebbe non farcela ad uscire dalla stazione vivo. Questo è esattamente ciò che accade nel Pronto Soccorso (PS) di un ospedale. È la porta d'ingresso dell'assistenza sanitaria, un luogo in cui la vita e la morte spesso pendono da un filo.

Per molto tempo, i medici hanno cercato di indovinare quali pazienti fossero nei maggiori pericoli. Usano strumenti come liste di controllo o la propria esperienza, un po' come un meteorologo che osserva le nuvole per prevedere una tempesta. Ma a volte, le nuvole sono ingannevoli, e la tempesta colpisce quando nessuno se l'aspettava. È qui che entra in gioco l' "apprendimento statistico". Pensa a questo come a dare al meteorologo un cervello informatico super intelligente. Invece di guardare solo poche nuvole, questo cervello informatico guarda migliaia di tempeste passate, impara i modelli e capisce quali combinazioni specifiche di condizioni meteorologiche portano solitamente a un disastro. Nel mondo della medicina, questo significa nutrire un computer con dati su pazienti passati — di cosa soffrivano, quanti anni avevano e cosa è successo loro — per vedere se il computer riesce a individuare i modelli nascosti che portano alla morte, modelli che un essere umano potrebbe mancare.

---

Il Grande Esperimento all'Ospedale Saint Joseph

Nella Repubblica Democratica del Congo, in un luogo chiamato Ospedale Saint Joseph a Kinshasa, un team di ricercatori ha deciso di lasciare che questo "cervello informatico super intelligente" desse un'occhiata al loro pronto soccorso. Volevano sapere: tra tutte le diverse malattie che le persone portano con sé, quali sono i segnali di pericolo più grandi per la morte?

Non si sono limitati a indovinare; sono tornati indietro nel tempo. Hanno scavato tra le cartelle cliniche cartacee di 5.172 pazienti che sono entrati nel pronto soccorso tra il 1° gennaio 2018 e il 31 dicembre 2019. Era come guardare un enorme album fotografico di oltre 5.000 storie. Hanno annotato l'età del paziente, il sesso, quanti problemi aveva e, cosa più importante, se fosse sopravvissuto o fosse deceduto. In questo gruppo, circa il 7,5% delle persone non è sopravvissuto alla visita.

Insegnare al Computer a Vedere

I ricercatori avevano un problema: i medici avevano scritto in oltre mille modi diversi per descrivere le malattie! Un medico potrebbe scrivere "mal di pancia forte", mentre un altro scrive "addome chirurgico". Per dare un senso a tutto questo, il team ha agito come un bibliotecario che organizza una libreria disordinata. Hanno raggruppato tutti quei migliaia di descrizioni disordinate in 19 categorie ordinate, come "Cancri", "Malaria", "Shock" o "Lesioni cerebrali".

Poi, hanno diviso i loro dati in due pile. Hanno dato il 70% delle storie al computer per studiarle (il set di "addestramento") e hanno tenuto nascosto l'altro 30% (il set di "test"). Hanno chiesto al computer di provare sei diversi modi di apprendere, un po' come provare sei diversi metodi di studio per vedere quale ottiene i voti migliori.

I Risultati: Chi ha vinto la corsa?

Il computer ha provato sei diversi "stili di apprendimento":

1. ElasticNet (un metodo che bilancia diversi indizi)
2. Regressione Logistica (un classico metodo matematico)
3. Reti Neurali (che imitano il cervello umano)
4. xGBoost (un potente metodo di boosting)
5. Alberi di Decisione (prendere scelte sì/no come in un diagramma di flusso)
6. Random Forest (un intero gruppo di alberi di decisione che lavorano insieme)

Quando hanno testato questi metodi sul 30% dei pazienti nascosti, i risultati sono stati chiari. Quattro dei modelli hanno fatto un buon lavoro, ma due di essi sono inciampati pesantemente. I modelli Alberi di Decisione e Random Forest erano come studenti che hanno dimenticato di studiare; sono stati così scarsi da essere appena migliori di un lancio di moneta.

I vincitori sono stati ElasticNet, Regressione Logistica, Reti Neurali e xGBoost. Tra questi, ElasticNet è stato il campione, ottenendo la "precisione" più alta (tecnicamente chiamata AUC di 0,736). Questo punteggio suggerisce che il modello è piuttosto bravo a distinguere tra i pazienti che sopravviveranno e quelli che non lo faranno, anche se non è perfetto.

I Sei Segnali di Pericolo Principali

Quindi, cosa ha imparato il cervello informatico vincitore? Ha identificato i sei tipi specifici di malattie che sono più fortemente legati alla morte in quell'ospedale. Se fossi un medico all'Ospedale Saint Joseph, queste sono le sei condizioni che dovrebbero farti premere il pulsante di "allerta massima":

1. Stati di Shock: Quando i sistemi del corpo stanno crollando (come il motore di un'auto che si surriscalda e si blocca).
2. Sepsi: Un'infezione grave e diffusa in tutto il corpo.
3. Tubercolosi o malattie polmonari: Problemi con la respirazione e i polmoni.
4. Coma: Uno stato profondo di incoscienza.
5. Meningoencefalite: Infiammazione del cervello e delle sue membrane.
6. Cancro: Tumori e malattie correlate.

Interessante è che il computer ha anche scoperto che la Malaria, che è molto comune in quella parte del mondo, era il settimo predittore più importante, anche se i metodi matematici tradizionali non pensavano che fosse così importante. Ha anche notato che "altri traumi" (come incidenti stradali e cadute) erano significativi, probabilmente perché l'ospedale si trova vicino a una strada trafficata che porta all'aeroporto.

Cosa Significa (e Cosa Non Significa)

I ricercatori sono cauti nell'affermare che questo non è un bacchetta magica che risolve tutto. Ammettono che il loro studio ha dei limiti. Hanno guardato un solo ospedale, quindi non possiamo essere sicuri al 100% che queste esatte regole si applichino a ogni ospedale del mondo. Inoltre, poiché hanno utilizzato vecchie cartelle cartacee, alcune informazioni potrebbero essere state scritte in modo leggermente diverso da diversi medici, il che potrebbe aver confuso un po' il computer. Il computer ha anche faticato a prevedere i casi rari in cui le persone morivano, spesso indovinando "sopravvivenza" solo per sicurezza, il che è un problema comune quando la morte è un evento raro.

Tuttavia, lo studio suggerisce che l'uso di questi strumenti di apprendimento statistico può aiutare i medici e i dirigenti ospedalieri a prendere decisioni migliori. Sapendo che lo shock, la sepsi e i problemi polmonari sono i principali killer, l'ospedale può concentrare le sue risorse limitate nel monitorare questi pazienti con maggiore attenzione. È come avere un sistema di allarme intelligente che ti dice esattamente quali porte chiudere per prime quando sta arrivando una tempesta. Gli autori sperano che in futuro altri studi possano confermare queste scoperte, aiutando i medici in luoghi con meno risorse a salvare più vite.