L’intelligenza artificiale potrebbe aiutare i medici a riconoscere prima i pazienti a rischio di sepsi. Ma prima di affidarle un ruolo nella pratica clinica servono ulteriori conferme. È il quadro che emerge da una revisione sistematica e meta-analisi pubblicata su npj Digital Medicine, che ha analizzato 53 studi, per un totale di oltre 7,5 milioni di accessi ospedalieri e più di 345 mila episodi di sepsi. I risultati sono promettenti: i modelli di machine learning hanno raggiunto un’AUC di 0,88, contro 0,73 dei sistemi tradizionali di supporto alle decisioni cliniche. In termini semplici, l’AUC misura quanto bene un modello riesce a distinguere i pazienti che svilupperanno una sepsi da quelli che non la svilupperanno. Più il valore si avvicina a 1, maggiore è la capacità del modello di distinguere i due gruppi. Da c’è un dato che invita alla cautela: il valore predittivo positivo è risultato del 34,2%. Significa che, quando l’intelligenza artificiale lancia un allarme per un possibile caso di sepsi, solo circa uno su tre corrisponde effettivamente a una sepsi.

Sepsi, il fattore tempo è decisivo

La sepsi è una condizione potenzialmente letale provocata da una risposta alterata dell’organismo a un’infezione. Riconoscerla rapidamente è fondamentale per poter intervenire tempestivamente. Il problema è che i segnali iniziali possono essere difficili da interpretare e gli strumenti tradizionali non sempre riescono a identificare con sufficiente anticipo i pazienti destinati a peggiorare. L’intelligenza artificiale prova a intervenire proprio su questo punto: gli algoritmi possono analizzare contemporaneamente grandi quantità di dati clinici, come parametri vitali ed esami di laboratorio, e individuare combinazioni di segnali associate a un aumento del rischio di sepsi. L’obiettivo è quindi intercettare il rischio prima che la sepsi diventi evidente dal punto di vista clinico.

Cosa ha trovato lo studio

Gli autori hanno analizzato studi condotti su pazienti adulti ricoverati in ospedale, nei quali venivano utilizzati modelli di machine learning per prevedere l’insorgenza della sepsi. Dai 6.004 lavori inizialmente individuati, 53 sono stati inclusi nell’analisi. Nel complesso sono stati considerati 7.514.696 accessi di pazienti e 345.061 episodi di sepsi. I migliori modelli di machine learning hanno raggiunto un’AUC complessiva di 0,88, superiore a quella dei sistemi di supporto alle decisioni cliniche, pari a 0,73. Tra gli approcci analizzati hanno ottenuto le performance migliori gli alberi decisionali, con un’AUC di 0,91, e i modelli ensemble, con 0,90. La sensibilità complessiva è stata del 77,2%, mentre la specificità dell’84,7%.

Il dato più interessante: il 97% dei risultati negativi è corretto

Se il valore predittivo positivo è relativamente basso, quello negativo è invece molto elevato. Il valore predittivo negativo raggiunge infatti il 97%. In altre parole, quando il sistema indica che un paziente probabilmente non è a rischio, nella grande maggioranza dei casi la previsione è corretta. Per gli autori questo potrebbe indicare una possibile utilità dei sistemi di machine learning soprattutto nel riconoscere i pazienti a basso rischio, più che nel confermare da soli la presenza di una sepsi. L’intelligenza artificiale, quindi, non dovrebbe essere considerata uno strumento capace di “diagnosticare” autonomamente la sepsi, ma un possibile supporto alla valutazione clinica.

Il rischio di troppi falsi allarmi

C’è poi il problema degli alert. Se un sistema segnala continuamente pazienti come potenzialmente a rischio, ma molti di questi allarmi si rivelano falsi, il risultato può essere un aumento del lavoro per medici e infermieri. È il fenomeno dell’“alarm fatigue”, l’affaticamento da allarmi: troppe segnalazioni possono ridurre progressivamente l’attenzione degli operatori e la fiducia nel sistema. Nella revisione il tasso complessivo di falsi positivi è risultato del 15,3%. Per questo, secondo gli autori, non basta sapere quanto è accurato un algoritmo. Bisogna anche capire quanti allarmi genera, quanto sono realmente utili e cosa succede dopo che vengono ricevuti.

Il grande limite: quasi tutti gli studi sono retrospettivi

È probabilmente il punto più importante della ricerca. Dei 53 studi analizzati, 49 erano retrospettivi. Solo due erano prospettici e due erano randomizzati o cluster-randomizzati. Inoltre, soltanto 17 studi su 53 disponevano di una validazione esterna. Questo significa che molti algoritmi sono stati valutati sui dati disponibili nello stesso contesto in cui sono stati sviluppati. Ma un modello che funziona bene in un ospedale non necessariamente funzionerà allo stesso modo in un altro, con pazienti diversi, protocolli diversi e sistemi informatici differenti. A complicare ulteriormente il quadro c’è l’elevata variabilità tra gli studi: l’eterogeneità statistica è risultata superiore al 95%. Solo 18 studi su 53, inoltre, sono stati giudicati complessivamente di alta qualità e a basso rischio di bias.

L’AI è migliore degli strumenti tradizionali?

Sul piano statistico, sì. Sul piano clinico, ancora non è dimostrato. È questa la distinzione fondamentale che emerge dalla revisione. I modelli di machine learning mostrano una capacità maggiore rispetto agli strumenti tradizionali nel riconoscere i pazienti a rischio di sepsi. Ma questo non significa automaticamente che il loro utilizzo porti a diagnosi più tempestive, trattamenti più rapidi o migliori risultati per i pazienti. La domanda a cui gli studi disponibili non hanno ancora dato una risposta definitiva è quindi molto concreta: utilizzare l’intelligenza artificiale migliora davvero la cura della sepsi? Per rispondere servono studi prospettici, validazioni in ospedali diversi da quelli nei quali gli algoritmi sono stati sviluppati e, soprattutto, ricerche che misurino gli effetti dell’intelligenza artificiale sugli esiti dei pazienti.

Dall’algoritmo alla pratica clinica

La revisione invita quindi a spostare l’attenzione. La sfida non è soltanto sviluppare algoritmi sempre più sofisticati, ma capire come integrarli realmente nella pratica clinica. Un buon sistema di intelligenza artificiale dovrebbe aiutare il medico a intercettare tempestivamente un paziente a rischio senza trasformarsi in una macchina capace soltanto di generare nuovi allarmi. Per ora, dunque, l’AI sembra avere un ruolo promettente nella previsione della sepsi, ma non è ancora una tecnologia pronta a sostituire la valutazione clinica. Il prossimo passo sarà dimostrare che riconoscere prima il rischio significa davvero intervenire prima e migliorare gli esiti dei pazienti.

Iscriviti alla Newsletter di Sanità Informazione per rimanere sempre aggiornato