Predizione precoce del rischio di lesioni da pressione nei pazienti ospedalizzati mediante modelli di apprendimento automatico supervisionato basati sulle note infermieristiche

Perché le piaghe da decubito contano ancora negli ospedali moderni

Le lesioni da pressione—spesso chiamate piaghe da decubito—possono sembrare un problema antiquato, ma restano una complicanza grave e costosa delle cure ospedaliere. Possono svilupparsi rapidamente in persone molto malate o che non possono muoversi facilmente, causando dolore, infezioni e degenze più lunghe. Questo studio esplora se le informazioni che gli infermieri raccolgono già nelle prime ore dopo il ricovero possano essere combinate con tecniche informatiche moderne per individuare quali pazienti hanno maggior probabilità di sviluppare queste lesioni, in modo che il personale possa intervenire prima che si verifichino danni.

Pericoli nascosti dello stare immobili

Una lesione da pressione si forma quando la pelle e i tessuti più profondi vengono compressi tra un letto o una sedia e le ossa sottostanti per troppo tempo. Più di uno su dieci adulti ospedalizzati sviluppa queste ferite, in particolare chi è in terapia intensiva o nei pronto soccorso e non può muoversi liberamente. Oltre al dolore e al rischio di infezione, queste lesioni comportano un forte onere finanziario—nell’ordine di decine di miliardi di dollari ogni anno solo negli Stati Uniti. I checklist tradizionali, come la diffusa scala di Braden, aiutano gli infermieri a stimare il rischio, ma possono non individuare persone il cui pericolo non è evidente, ad esempio chi ha incontinenza, obesità o problemi medici complessi.

Usare le note infermieristiche di routine come segnali di allarme precoce

I ricercatori si sono chiesti se sia possibile prevedere le lesioni da pressione usando solamente le informazioni di base raccolte di routine dagli infermieri nelle prime otto ore di degenza. In un grande ospedale pubblico di Santiago del Cile hanno raccolto dati su 446 pazienti in vari reparti, dall’emergenza e chirurgia alla terapia intensiva. Gli infermieri hanno registrato dettagli semplici come età, altezza, peso, il reparto di ricovero, il grado di dipendenza nelle cure, la presenza di incontinenza e l’uso di letti speciali, cambi di posizione o mezzi di contenzione. Eventuali ferite già presenti all’arrivo sono state accuratamente separate da quelle insorte successivamente, quindi lo studio si è concentrato solo sulle lesioni sviluppate in ospedale.

Insegnare ai computer a individuare i pazienti ad alto rischio

Dalle queste registrazioni il gruppo ha costruito diversi modelli di apprendimento automatico “supervisionato”—programmi informatici che apprendono schemi dagli esempi. Hanno testato cinque approcci diversi, incluse alberi decisionali, regressione logistica, macchine a vettori di supporto, extreme gradient boosting e un metodo diffuso chiamato Random Forest, che combina molti semplici alberi decisionali in un predittore più robusto. Prima di addestrare i modelli, hanno pulito e organizzato le note infermieristiche grezze, imputato i valori mancanti con metodi statistici consolidati e selezionato 13 delle caratteristiche più informative. I dati sono stati poi ripetutamente suddivisi in gruppi di addestramento e di test per valutare quanto bene ciascun modello riuscisse a distinguere i pazienti che hanno sviluppato una lesione da pressione da quelli che non l’hanno sviluppata.

Chi è più a rischio, secondo i dati

Circa il 19% dei pazienti nello studio ha sviluppato una lesione da pressione acquisita in ospedale. L’analisi ha mostrato che alcune osservazioni infermieristiche precoci avevano un peso particolare. Punteggi di rischio complessivi più elevati, peso e altezza maggiori, elevata dipendenza dalle cure infermieristiche e il ricovero in determinati reparti, come reparti medico-chirurgici per adulti e unità di terapia intensiva, sono risultati associati a un maggior numero di lesioni. La presenza di incontinenza—soprattutto fecale o mista—le contenzioni fisiche e l’uso precedente di materassi anti-decubito speciali segnalavano anch’essi un rischio più alto. Tra i modelli testati, il metodo Random Forest ha dato le migliori prestazioni: ha correttamente distinto pazienti ad alto e basso rischio in più di quattro casi su cinque e ha raggiunto un’altissima precisione, cioè quando segnalava un paziente come ad alto rischio era solitamente accurato.

Dai punteggi informatici a cure migliori al letto del paziente

Per rendere il sistema pratico nei reparti affollati, i ricercatori lo hanno regolato per privilegiare la precisione rispetto alla cattura di ogni singolo caso possibile. Questo riduce il numero di falsi allarmi, permettendo agli infermieri di concentrare le risorse preventive—come riposizionamenti frequenti, controlli accurati della pelle e materassi speciali—su quei pazienti che probabilmente ne trarranno maggior beneficio. Pur comportando che alcuni pazienti a rischio potrebbero non essere segnalati, gli autori sostengono che avvisi affidabili siano più propensi a essere fidati e utilizzati nella pratica quotidiana. Sottolineano che il modello è pensato per supportare, non sostituire, il giudizio clinico.

Cosa significa questo per pazienti e ospedali

In termini semplici, lo studio mostra che gli ospedali potrebbero usare le informazioni che già raccolgono nelle prime ore dopo il ricovero per alimentare un “sistema di allerta precoce” digitale per le piaghe da decubito. Con solo 13 osservazioni infermieristiche di base e un modello informatico ben addestrato, il personale può identificare un piccolo gruppo di pazienti molto probabili a sviluppare lesioni da pressione e intervenire prima che si verifichino danni seri. Sebbene lo strumento debba ancora essere testato in altri ospedali e sistemi sanitari, offre un modo promettente per trasformare le note di routine al letto del paziente in una protezione più intelligente e tempestiva per alcuni dei pazienti più vulnerabili.

Citazione: Barriga-Gallegos, F., Ríos-Vásquez, G., Tapia, G.M. et al. Early prediction of pressure injury risk in hospitalized patients using supervised machine learning models based on nursing records. Sci Rep 16, 6502 (2026). https://doi.org/10.1038/s41598-026-35709-w

Parole chiave: lesioni da pressione, prevenzione delle piaghe da decubito, cartelle infermieristiche, apprendimento automatico negli ospedali, predizione del rischio del paziente