Un modello di intelligenza artificiale sviluppato in Corea del Sud promette di aiutare i medici a individuare in anticipo i pazienti traumatizzati con maggiore rischio di morte precoce. Il progetto è stato annunciato dal Korea University Anam Hospital e nasce dal lavoro congiunto guidato dal professor Lee Jae-myung, specialista in chirurgia traumatologica e terapia intensiva, e dal professor Baek Seung-min dell’Ewha Womans University Mokdong Hospital.
Il dato centrale è la scala dell’analisi: il team ha selezionato 207.012 casi utilizzabili su un totale di 237.616, ricavati dai dati pubblici del registro nazionale coreano dei traumi relativi al periodo 2016-2020. Su questa base sono stati addestrati e confrontati sei algoritmi di machine learning per prevedere il rischio di decesso precoce nei pazienti arrivati nel sistema di emergenza dopo un trauma.
Il contesto clinico spiega la posta in gioco. Per trauma si intendono lesioni causate da fattori esterni, come incidenti stradali, cadute o aggressioni. In questi casi il quadro può peggiorare rapidamente e l’identificazione tempestiva dei pazienti più fragili permette di orientare trattamenti, accesso alla terapia intensiva, sala operatoria e trasfusioni. La previsione resta però complessa, perché dipende da molte variabili: dinamica dell’incidente, sede e gravità delle lesioni, età, condizioni fisiche, interventi pre-ospedalieri e percorso dopo l’arrivo in ospedale.
La ricerca ha confrontato regressione logistica, k-NN, albero decisionale, random forest, MLP e XGB. Il modello XGB ha ottenuto la performance migliore, con un AUROC di 0,985 e un AUPRC di 0,957. Sono due indicatori usati per misurare la capacità di un modello di distinguere correttamente i casi ad alto rischio: più il valore si avvicina a 1, più la prestazione è elevata.
Un passaggio significativo riguarda la tenuta del modello in condizioni di pressione sul sistema sanitario. Con i dati del 2020, periodo segnato dalla pandemia di Covid-19, XGB ha mantenuto un AUROC di 0,984, suggerendo una relativa robustezza anche quando l’emergenza medica è sottoposta a stress. Anche il modello random forest ha mostrato risultati elevati, con AUROC di 0,984 e AUPRC di 0,956.
L’analisi ha inoltre individuato i fattori che pesano maggiormente sulla previsione del rischio: arresto cardiaco prima dell’arrivo in ospedale, Injury Severity Score, età e tempo necessario per la prima trasfusione. L’ISS è l’indicatore che esprime in forma numerica la gravità delle lesioni del paziente. La combinazione tra dati nazionali, interpretabilità e capacità di estensione rende il lavoro diverso da molti modelli costruiti su dataset di singole strutture sanitarie.
Lee Jae-myung ha indicato come possibile applicazione futura lo screening rapido dei livelli di rischio nei pazienti critici, sia nel sistema di emergenza sia nei centri di trattamento dei traumi. Baek Seung-min ha aggiunto che il lavoro conferma la possibilità di usare i dati nazionali del registro traumi per individuare in anticipo il rischio di morte, precisando che serviranno ulteriore calibrazione e validazione prospettica.
I risultati sono stati pubblicati sul World Journal of Emergency Surgery. Per ospedali e sistemi sanitari, il punto non è sostituire la valutazione clinica, ma affiancarla con strumenti capaci di ordinare priorità in tempi brevi, soprattutto quando risorse come terapia intensiva, sale operatorie e sangue devono essere assegnate in condizioni di urgenza.