L'ictus è una delle emergenze mediche più pericolose e tra le più difficili da diagnosticare in tempi rapidi. Negli Stati Uniti le persone di colore e ispaniche, le donne, gli anziani e le persone che vivono in aree rurali hanno meno probabilità di avere una diagnosi veloce perché il trattamento sia efficace. In un nuovo studio, un gruppo di ricercatori ha utilizzato metodi di machine learning e i dati disponibili quando i pazienti entrano in ospedale per sviluppare un modello che prevede gli ictus con maggiore precisione rispetto ai modelli attuali.
Lo studio, condotto da ricercatori della Carnegie Mellon University (CMU), della Florida International University (FIU) e della Santa Clara University (SCU), è pubblicato sul Journal of Medical Internet Research.
Gli errori diagnostici sono un problema significativo per la salute pubblica e le morti evitabili per ictus dovute a tali errori sono più di 30 volte più frequenti di quelle per infarto del miocardio. La diagnosi di ictus è difficile a causa delle numerose condizioni che lo simulano, come convulsioni, emicranie e intossicazione da alcol. Queste difficoltà possono portare a ritardi, che possono aggravare le condizioni dei pazienti.
Uno strumento di screening automatizzato che analizzi i dati disponibili e suggerisca una diagnosi di ictus ha un potenziale significativo per migliorare la situazione attuale. I ricercatori hanno usato un sistema di intelligenza artificiale e di machine learning per identificare immediatamente le informazioni utili in mezzo ad un grande volume di dati e generare previsioni diagnostiche per i pazienti.
I metodi di apprendimento automatico sono stati utilizzati per aiutare a rilevare l'ictus interpretando dati dettagliati come le note cliniche e i risultati della diagnostica per immagini. Informazioni che i medici hanno a disposizione, ma che potrebbero non essere prontamente disponibili quando i pazienti vengono sottoposti a triage in Pronto Soccorso, soprattutto nelle comunità rurali e poco servite.
Gli autori hanno cercato di sviluppare un algoritmo di previsione dell'ictus basato su dati ampiamente disponibili al momento del ricovero del paziente. Hanno anche valutato il valore aggiunto dei determinanti sociali della salute (SDoH, Social Determinants of Health) nella previsione dell'ictus; questi includono le condizioni in cui le persone nascono, crescono, vivono e invecchiano e i fattori che determinano queste condizioni.
Lo studio ha esaminato più di 143.000 visite ospedaliere negli ospedali per acuti della Florida dal 2012 al 2014. I ricercatori hanno anche esaminato i dati SDoH dell'American Community Survey del censimento degli Stati Uniti. Il loro modello ha incorporato variabili che vengono raccolte di routine, come i dati demografici di base (età, sesso, razza, etnia), il numero di patologie croniche e il tipo di assicurazione sanitaria.
Il modello dei ricercatori è risultato accurato (84% di precisione nel predire gli ictus) e sensibile, superando le scale esistenti (che tendono a mancare fino al 30% degli ictus). L'uso del modello suggerisce che, al momento della presentazione in ospedale, è possibile prevedere la probabilità che la condizione di un paziente sia un ictus sulla base dei dati demografici e dei determinanti sociali della salute del paziente già disponibili al momento dell'ingresso in ospedale, prima di ottenere i risultati della diagnostica per immagini o degli esami di laboratorio.
Secondo gli autori la sensibilità moderata dei modelli esistenti fa temere che non riescano a individuare una percentuale sostanziale di persone colpite da ictus. Secondo i ricercatori questo nuovo modello può integrare i modelli attuali per aiutare a dare rapidamente la priorità ai pazienti per un intervento appropriato, soprattutto negli ospedali meno attrezzati. Potrebbe anche essere utile nei dipartimenti di emergenza di centri a basso volume o non specializzati in ictus, dove gli operatori hanno un'esposizione quotidiana limitata all'ictus e nelle aree rurali con una disponibilità limitata di strumenti diagnostici sensibili.
Tra i limiti dello studio, gli autori notano che, essendo lo studio retrospettivo, la conferma dei casi di ictus si è basata sui codici della Classificazione Internazionale delle Malattie e non ha comportato la revisione delle cartelle cliniche dei pazienti. Inoltre, avvertono che il loro algoritmo non dovrebbe essere considerato come un gold standard per la diagnosi di ictus, ma piuttosto come un modello che integra i sistemi di punteggio per ictus esistenti utilizzati negli ospedali. Infine, i loro risultati sono limitati dalle variabili dei determinanti sociali della salute disponibili nei dati amministrativi.
Fonte: Chen M, Tan X, Padman R. A Machine Learning Approach to Support Urgent Stroke Triage Using Administrative Data and Social Determinants of Health at Hospital Presentation: Retrospective Study. J Med Internet Res. 2023 Jan 30;25:e36477. doi: 10.2196/36477. PMID: 36716097; PMCID: PMC9926350.