Fisiologia respiratoria dopo la ripsunazione a seguito della ventilazione in posizione prona per predire la mortalità a 28 giorni nei pazienti ventilati meccanicamente: un’analisi con machine learning

Perché girare i pazienti è importante

Durante la crisi da COVID-19, i medici che assistettero i pazienti più gravi in ventilazione spesso li posizionavano a pancia in giù, una manovra chiamata decubito prono. Questo semplice cambio di postura può migliorare il modo in cui aria e sangue si distribuiscono nei polmoni danneggiati. Ma richiede sforzo da parte del personale ed è associato a rischi. Questo studio pone una domanda pratica dalle conseguenze potenzialmente vitali: dopo che un paziente viene riportato sulla schiena, il comportamento dei suoi polmoni può aiutare i medici a prevedere chi è più probabile che sopravviva nel mese successivo — e orientare la scelta tra continuare questa manovra o passare ad altri trattamenti?

Come i medici valutano oggi una sessione in decubito prono

Nelle unità di terapia intensiva, il successo del posizionamento a pancia in giù è solitamente giudicato con un unico valore che riflette quanto bene l’ossigeno passa dall’aria al sangue. Se quel valore aumenta rapidamente, la sessione è spesso considerata efficace; in caso contrario, alcuni team possono rinunciare a ulteriori sessioni. Tuttavia, questo concentrarsi solo sull’ossigenazione può trascurare altri segnali importanti di stress polmonare o danno nascosto. Gli autori di questo studio hanno sospettato che quello che accade poche ore dopo che il paziente è stato riportato supino possa rivelare di più sul fatto che i polmoni si siano realmente ripresi o abbiano mostrato solo un miglioramento passeggero.

Analizzare dati reali delle terapie intensive

Per investigare, i ricercatori hanno utilizzato un ampio database olandese di adulti con COVID-19 grave che necessitavano di ventilazione meccanica in terapia intensiva. Hanno selezionato 522 pazienti che avevano attraversato una sequenza chiara: supino, poi prono, poi di nuovo supino, tutto nel primo periodo di ventilazione e con il periodo in decubito prono mantenuto sotto le 24 ore. Per ciascuno hanno raccolto misure dei gas ematici e della rigidità o elasticità polmonare nelle quattro ore precedenti il posizionamento in prono e nelle quattro ore successive alla ripsunazione. Hanno poi impiegato tecniche informatiche moderne, inclusi metodi di machine learning, per verificare se i modelli in questi numeri potessero prevedere il decesso entro 28 giorni dall’inizio della ventilazione.

Cosa hanno rivelato i numeri sui polmoni

Nel confronto tra sopravvissuti e non sopravvissuti, i ricercatori hanno riscontrato che le misure tradizionali rilevate prima del posizionamento in prono erano abbastanza simili tra i gruppi. Le differenze sono emerse dopo il ritorno in supino. Chi è morto entro 28 giorni tendeva a necessitare ancora di impostazioni di ossigeno più elevate sul ventilatore, mostrava un peggior trasferimento di ossigeno dall’aria al sangue e presentava segni che una quota maggiore del respiro non partecipava allo scambio gassoso — un indice di regioni polmonari malate o non aerate. I loro polmoni risultavano inoltre più rigidi, costringendo il ventilatore a spingere di più a ogni respiro. Al contrario, i sopravvissuti mostravano più frequentemente miglioramenti sostenuti nell’ossigenazione e potevano essere supportati con meno ossigeno, suggerendo un reclutamento più efficace di aree polmonari precedentemente collassate.

Lasciare che i computer trovino i modelli di sopravvivenza

Poiché molte di queste misure polmonari sono correlate tra loro in modi complessi, il gruppo ha usato modelli di machine learning per combinarle. Hanno innanzitutto individuato le misure più informative, quindi hanno addestrato diversi tipi di modelli su una parte del campione e li hanno testati sul resto. Nessun modello è risultato perfetto, ma tutti sono riusciti a distinguere i sopravvissuti dai non sopravvissuti meglio del caso. Un modello noto come XGBoost ha ottenuto le prestazioni migliori nel complesso, bilanciando la capacità di identificare la maggior parte dei pazienti destinati a morire senza generare troppe false allerte. Alcune variabili — in particolare il rapporto tra ossigeno nel sangue e ossigeno somministrato, la frazione di ventilazione sprecata che non partecipa allo scambio gassoso, la compliance polmonare e la quantità di ossigeno che il ventilatore deve ancora erogare — hanno pesato maggiormente nelle predizioni.

Quali implicazioni per le decisioni a letto del paziente

Per pazienti e famiglie, il messaggio chiave è che il comportamento dei polmoni dopo una sessione in decubito prono può dire ai medici più sulla probabilità di sopravvivenza rispetto al rapido, spesso celebrato, miglioramento dell’ossigenazione osservato mentre il paziente è pronato. Questo studio suggerisce che un breve insieme di misurazioni di routine — prese alcune ore dopo il ritorno in supino — può aiutare a classificare i pazienti in gruppi a rischio più alto e più basso, sebbene la predizione sia ancora lontana dall’essere perfetta. Pur richiedendo dati più ampi e variegati per diventare realmente affidabili e semplici da usare, i modelli informatici delineano un futuro in cui le decisioni sul continuare la pronazione, provare altre terapie di salvataggio o regolare i parametri del ventilatore siano guidate da un quadro più ricco della funzione polmonare piuttosto che da un singolo valore di ossigeno.

Citazione: Lijović, L., Dam, T.A., Baek, M.S. et al. Respiratory physiology after resupination following prone ventilation to predict 28-day mortality in mechanically ventilated patients: a machine learning analysis. Sci Rep 16, 8188 (2026). https://doi.org/10.1038/s41598-026-39336-3

Parole chiave: sindrome da distress respiratorio acuto, ventilazione in posizione prona, ventilazione meccanica, terapia intensiva COVID-19, predizione con machine learning