Development and preliminary external validation of a machine learning-based model for predicting 28-day mortality in non-HIV patients with Pneumocystis jirovecii pneumonia: a two-centre retrospective study

Nel complesso panorama della salute umana, alcune infezioni colpiscono con una particolare ferocia nelle persone le cui difese immunitarie sono state indebolite. Una di queste infezioni è causata da un organismo microscopico chiamato Pneumocystis jirovecii, che vive tranquillamente nell'aria ma può trasformarsi in una polmonite grave quando le difese di una persona sono abbassate. Sebbene questa condizione fosse un tempo considerata una minaccia quasi esclusiva per le persone che vivono con l'HIV, i medici hanno osservato un cambiamento preoccupante: essa colpisce sempre più spesso pazienti con altre gravi sfide di salute, come il cancro, i trapianti di organi o le malattie autoimmuni. Per questi pazienti non affetti da HIV, la malattia spesso si muove con una velocità sorprendente, causando difficoltà respiratorie rapide e un improvviso calo della capacità di funzionamento del corpo. La sfida centrale per i team medici è sapere quali pazienti siano probabilmente destinati a sopravvivere e quali siano in pericolo immediato di morte entro poche settimane, in modo da poter agire rapidamente. Eppure, prevedere questo esito è difficile perché la reazione del corpo coinvolge una rete intricata di fattori, che vanno da quanto bene funzionano i polmoni a come il sangue coagula e come gli organi gestiscono lo stress.

Per affrontare questa incertezza, un team di ricercatori in Cina si è posto l'obiettivo di costruire uno strumento digitale capace di individuare i segnali di avvertimento di un esito fatale prima che sia troppo tardi. Si sono concentrati su un gruppo specifico di adulti che avevano una diagnosi confermata di questa polmonite ma che non erano affetti da HIV. Esaminando le cartelle cliniche retrospettive di 165 pazienti trattati in due grandi ospedali tra il 2020 e il 2025, il team ha raccolto una vasta quantità di informazioni sulla condizione di ciascuna persona al momento della diagnosi. Questi dati includevano dettagli di base come età e sesso, la gravità della loro malattia misurata tramite sistemi di punteggio standard, i trattamenti ricevuti e una vasta gamma di risultati di esami del sangue. L'obiettivo era vedere se un programma informatico potesse imparare a riconoscere i modelli specifici in questi dati che distinguevano i pazienti che sopravvivevano per 28 giorni da quelli che non lo facevano.

I ricercatori hanno testato diversi approcci matematici differenti, noti come algoritmi di apprendimento automatico (machine learning), per vedere quale potesse filtrare meglio le informazioni. Hanno confrontato metodi che imitano il processo decisionale umano, quelli che costruiscono complessi alberi di scelta e altri che cercano connessioni sottili tra le variabili. Dopo aver eseguito questi diversi modelli sui dati del primo ospedale, hanno scoperto che un approccio specifico, che utilizza una tecnica per filtrare le informazioni meno importanti, era quello con le prestazioni migliori. Questo modello ha identificato tredici fattori chiave che erano più strettamente legati al rischio di morte. Questi fattori includevano il punteggio di gravità complessiva del paziente, se stesse utilizzando farmaci per sostenere la pressione sanguigna, i livelli di certe proteine nel sangue che indicano infiammazione o coagulazione e quanto bene i polmoni scambiavano ossigeno.

Quando il team ha preso questo modello con le migliori prestazioni e lo ha testato su un gruppo separato di 23 pazienti di un ospedale diverso, i risultati sono stati sorprendenti. Il modello ha identificato correttamente i pazienti che sarebbero sopravvissuti con un alto grado di precisione e, pur avendo ottenuto una specificità perfetta nell'identificare coloro che non sarebbero sopravvissuti, la sua capacità di rilevare tutti i non sopravvissuti era limitata, identificandone correttamente solo circa due terzi; tuttavia, le dimensioni ridotte di questo secondo gruppo significano che i risultati dovrebbero essere visti come un inizio promettente piuttosto che come una prova definitiva. L'analisi ha anche rivelato quali pezzi di informazione contavano di più per la decisione del computer. È risultato che il livello di una sostanza chiamata lattato nel sangue, che segnala che i tessuti del corpo non stanno ricevendo abbastanza ossigeno, il livello di un marcatore della coagulazione chiamato D-dimero e l'uso di farmaci per sostenere la pressione sanguigna erano i tre fattori più influenti. Queste variabili dicevano essenzialmente al modello che il corpo del paziente era sotto uno sforzo estremo, lottando per far circolare il sangue e mantenere le funzioni di base.

Lo studio conclude che uno strumento del genere, costruito partendo da test medici e osservazioni di routine, offre una reale promessa nell'aiutare i medici a valutare il rischio precocemente nel corso della malattia. Tuttavia, gli autori sottolineano con cautela che questo lavoro è preliminare. Poiché lo studio ha esaminato record passati e ha coinvolto un numero relativamente piccolo di pazienti, i risultati sono da considerarsi al meglio come un'ipotesi che necessita di ulteriori test. Il modello non è ancora stato dimostrato capace di cambiare il modo in cui i medici trattano i pazienti o di migliorare i tassi di sopravvivenza in un contesto reale. Prima che questo strumento possa essere utilizzato per guidare decisioni di vita o di morte, dovrà essere validato in gruppi di persone molto più ampi e in diverse regioni e sistemi sanitari. Per ora, esso rappresenta una chiara dimostrazione che i segnali complessi e caotici di una grave infezione possono essere organizzati in una previsione coerente, offrendo un potenziale nuovo modo per vedere il futuro del recupero di un paziente.