ASCOLTA I NOSTRI PODCAST SU SPOTIFY
I ricercatori hanno sviluppato e convalidato un nuovo calcolatore di rischio che può stimare il rischio a breve termine di un singolo paziente di sviluppare una serie di complicanze legate al diabete, utilizzando informazioni già raccolte durante le cure mediche di routine.
I ricercatori della University of Maryland School of Medicine (UMSOM) hanno sviluppato e convalidato un nuovo calcolatore di rischio che può stimare il rischio a breve termine di un singolo paziente di sviluppare una serie di complicanze legate al diabete, utilizzando informazioni già raccolte durante le cure mediche di routine.
I risultati sono stati pubblicati oggi sulla rivista Nature Communications.
Lo studio, guidato da Rozalina G. McCoy, Professore Associato di Medicina presso la Divisione di Endocrinologia, Diabete e Nutrizione, ha analizzato dati sanitari di oltre 400.000 adulti a cui è stato diagnosticato di nuovo il diabete negli Stati Uniti.
Lei e i suoi colleghi hanno creato un insieme di modelli previsionali — chiamati Diabetes Complications Risk Calculator (DCRC) — che possono stimare la probabilità di un paziente di sviluppare diverse complicazioni comuni e aggiornare tali stime man mano che emergono nuove informazioni cliniche.
Le persone con diabete sono a rischio di una vasta gamma di complicazioni, tra cui malattie cardiache, renali, danni ai nervi, malattie oculari e emergenze causate da glicemia molto alta o molto bassa.
Sebbene esistano strumenti di previsione, la maggior parte si concentra su una sola complicazione alla volta o prevede il rischio di complicazioni su un periodo di tempo molto più lungo.
I modelli attuali si basano inoltre di solito su dati provenienti da gruppi di ricerca specializzati piuttosto che su contesti di cura reali.
Il nuovo calcolatore di rischio è stato progettato per colmare queste lacune.
Può stimare il rischio di nove diverse complicanze acute e croniche, tra cui malattie cardiovascolari, ictus, malattie renali, danni ai nervi e crisi della glicemia—tutto insieme e in brevi intervalli di tempo, che possono aiutare a migliorare le decisioni cliniche e la cura del paziente.
“Il nostro obiettivo era creare uno strumento che riflettesse la realtà che i clinici affrontano, dove i pazienti spesso hanno rischi multipli e concorrenti”, ha dichiarato il dottor McCoy, che è anche Direttore del Programma di Medicina di Precisione e Salute della Popolazione presso l’Istituto di Informatica Sanitaria dell’Università del Maryland.
“Analizzando insieme questi rischi e aggiornandoli nel tempo, possiamo comprendere meglio quali complicazioni o complicazioni i nostri pazienti hanno maggiori probabilità di sperimentare, il che può infine favorire conversazioni più informate e concrete tra pazienti e clinici.”
I ricercatori hanno utilizzato il machine learning — un tipo di metodo statistico che può identificare schemi in grandi dataset — per analizzare i dati delle richieste assicurative e delle cartelle cliniche elettroniche.
I modelli incorporano informazioni comunemente disponibili come età, condizioni di salute esistenti, farmaci e test di laboratorio.
A differenza dei modelli tradizionali che forniscono una singola stima a lungo termine, il DCRC produce stime mensili di rischio a livello di incontro che cambiano man mano che lo stato di salute del paziente evolve.
Durante i test, i modelli hanno mostrato una buona a forte accuratezza nel prevedere se i pazienti avrebbero sviluppato complicanze specifiche, sia nel dataset nazionale originale sia in un gruppo indipendente di pazienti trattati alla Mayo Clinic.
Col tempo, le complicazioni del diabete sono diventate comuni nella popolazione studiata.
Entro un anno dalla diagnosi, circa un terzo dei pazienti aveva avuto almeno una complicanza, e questo numero è salito a oltre il 40 percento dopo due anni. I modelli hanno anche identificato fattori legati a un rischio più elevato, tra cui:
- Età avanzata
- Ipertensione e complicazioni correlate
- Durata più lunga del diabete
- Misurazioni della funzione renale
- Condizioni di salute conviventi
È importante sottolineare che il rischio variava da persona a persona e poteva variare nel tempo—a volte aumentando o diminuendo con l’evoluzione delle condizioni di salute e dei trattamenti.
“Il machine learning e altri metodi basati sull’IA i sistemi agentici possono scansionare dati clinici e di laboratorio di routine nelle nostre cartelle cliniche elettroniche per identificare i pazienti ad alto rischio di sviluppare complicazioni irreversibili del diabete”, ha dichiarato il preside dell’UMSOM, Mark T. Gladwin.
“Questo calcolatore di rischio per il diabete dimostra la potenza di questo approccio aggiornando continuamente le stime individuali del rischio man mano che la salute del paziente evolve, utilizzando dati clinici di routine già presenti nelle cartelle cliniche elettroniche.”
Il dottor McCoy ha sottolineato che la calcolatrice non è pensata per sostituire il giudizio clinico.
Al contrario, è progettata per supportare le decisioni di cura, aiutando clinici e pazienti a valutare i rischi e a dare priorità alle strategie di prevenzione.
Ad esempio, lo strumento potrebbe aiutare a identificare i pazienti che potrebbero beneficiare di un monitoraggio più stretto o di interventi precoci, oppure guidare le discussioni sulle scelte di trattamento.
“Sebbene i nostri risultati siano incoraggianti, questi modelli dovrebbero essere utilizzati con cautela e in combinazione con competenze cliniche”, ha detto.
“Dobbiamo fare ulteriori test per capire come lo strumento si comporta quando viene usato nella pratica clinica quotidiana.”
Le limitazioni dello strumento includono l’uso di dati provenienti solo dai pazienti assicurati, che potrebbero non riflettere completamente i pazienti senza accesso costante alle cure mediche.
Inoltre, alcune delle sue previsioni erano meno accurate per alcune complicazioni.
Il team di ricerca prevede di valutare come il calcolatore si comporta quando integrato nei flussi di lavoro clinici reali e se può migliorare il processo decisionale condiviso e gli esiti sanitari a lungo termine.
