Uso di algoritmi di machine learning per prevedere gli MACE nei pazienti in dialisi peritoneale

Perché questo è importante per le persone in dialisi domiciliare

Per molte persone con insufficienza renale, la dialisi peritoneale offre la libertà di curarsi a casa anziché in una clinica. Tuttavia questi pazienti affrontano un alto rischio di gravi problemi cardiaci e vascolari, come infarti e ictus. Questo studio pone una domanda pratica con conseguenze reali: possiamo usare tecniche informatiche moderne per individuare, precocemente, quali pazienti in dialisi peritoneale hanno maggior probabilità di incorrere in eventi cardiaci importanti, così che i medici possano intervenire prima che si verifichi una catastrofe?

Chi è stato studiato e cosa è stato misurato

I ricercatori hanno esaminato retrospettivamente le cartelle cliniche di 1.006 adulti che avevano iniziato la dialisi peritoneale in due ospedali in Cina tra il 2010 e il 2016. Tutti i pazienti avevano ricevuto questo trattamento per almeno tre mesi. All’inizio della dialisi, il team ha raccolto 86 informazioni per ciascuna persona, includendo età, altre malattie come il diabete o l’insufficienza cardiaca, pressione arteriosa, esami ematici, risultati dell’ecocardiogramma e farmaci. Tutti sono stati poi seguiti per un periodo fino a circa dieci anni per vedere chi ha sperimentato un evento cardiaco o cerebrovascolare maggiore, un insieme di problemi che gli autori chiamano “MACE”, comprendente infarto, angina grave, ictus, arresto cardiaco, ricoveri per insufficienza cardiaca o aritmie pericolose e decesso per qualsiasi causa.

Predizione più intelligente con il machine learning

Invece di fare affidamento solo sulla statistica tradizionale, il team ha utilizzato tre approcci di machine learning in grado di scoprire schemi complessi in grandi insiemi di dati: Random Forest, XGBoost e AdaBoost. Hanno suddiviso i dati in gruppi per addestrare i modelli, testarli e poi verificarne le prestazioni sui pazienti di un ospedale separato. L’obiettivo era valutare quanto bene ogni approccio riuscisse a prevedere chi avrebbe subito un evento maggiore in qualsiasi momento, entro il primo anno e entro i primi cinque anni dall’inizio della dialisi peritoneale. La bontà di un modello è stata giudicata usando un punteggio standard chiamato area sotto la curva (AUC), dove un valore più vicino a 1,0 indica una migliore discriminazione tra pazienti ad alto e basso rischio.

Cosa i modelli hanno appreso sul rischio

Nel corso dell’intero periodo di follow-up, 409 dei 606 pazienti del gruppo principale di sviluppo hanno avuto un evento maggiore. Per la previsione di questi eventi complessivi, il metodo Random Forest ha funzionato meglio, con un AUC di circa 0,80, il che significa che riusciva a distinguere correttamente tra pazienti a rischio più elevato e più basso nella maggior parte dei casi. In questa visione a lungo termine, i segnali più influenti sono stati i livelli dell’ormone paratiroideo, un indicatore legato alla salute di ossa e vasi sanguigni, una storia di insufficienza cardiaca congestizia e l’età. Quando l’attenzione si è concentrata sugli eventi nel primo anno, solo 114 pazienti sono stati colpiti e XGBoost è risultato il migliore con un AUC di 0,86. Qui sono emersi il colesterolo «buono» (HDL), l’età e i livelli di calcio nel sangue. Per l’orizzonte a cinque anni, Random Forest ha nuovamente dato le migliori prestazioni, e sono emersi come principali età, creatinina plasmatica e tasso di filtrazione stimato del rene—indicatori della funzione renale residua e dell’adeguatezza della dialisi.

Verifica dell’affidabilità e delle prestazioni nel mondo reale

Per assicurarsi che questi risultati non fossero dovuti al caso, gli autori hanno confrontato i loro strumenti di machine learning con un metodo più familiare per i tempi di insorgenza degli eventi chiamato regressione di Cox e hanno testato tutto in un gruppo separato di 400 pazienti provenienti da un altro ospedale. I principali fattori di rischio individuati dai metodi più recenti corrispondevano da vicino a quelli trovati con l’analisi tradizionale, ma i modelli di machine learning generalmente facevano un lavoro migliore nel classificare i pazienti per livello di rischio. Nel gruppo esterno dell’ospedale, il modello principale ha comunque performato bene, classificando correttamente gli esiti in circa sette pazienti su dieci. Lo studio ha inoltre evidenziato l’importanza di altri fattori interconnessi—come il carico complessivo di malattia, il peso corporeo, i grassi nel sangue, l’albumina (un indicatore nutrizionale), la diuresi e la pressione arteriosa—that insieme modellano il rischio cardiaco in questa popolazione vulnerabile.

Cosa significa per pazienti e team di cura

Gli autori concludono che strumenti di machine learning progettati con cura possono aiutare i medici a stimare, sin dall’inizio della dialisi peritoneale, quali pazienti corrono probabilmente un rischio particolarmente elevato di gravi problemi cardiovascolari negli anni a venire. L’età è risultata una variabile costante, ma anche diversi fattori legati all’equilibrio minerale, ai lipidi ematici, all’adeguatezza della dialisi e allo stato di salute generale hanno avuto ruoli importanti—molti dei quali possono essere monitorati e trattati. Pur essendo uno studio retrospettivo che richiede conferma in lavori prospettici futuri, indica una direzione in cui la cura della dialisi domiciliare potrebbe essere guidata da algoritmi in background che segnalano precocemente chi è a rischio, permettendo interventi mirati per prolungare la vita e ridurre i ricoveri.

Citazione: Xu, L., Zhang, Y., Abbas Al-Janabi, A.A. et al. Using machine learning algorithms to predict MACE in peritoneal dialysis patients. Sci Rep 16, 10553 (2026). https://doi.org/10.1038/s41598-026-45362-y

Parole chiave: dialisi peritoneale, rischio cardiovascolare, machine learning, insufficienza renale, predizione del rischio