Predizione della concentrazione piastrinica basata su apprendimento automatico da misurazioni ROTEM

Perché le verifiche rapide delle piastrine sono importanti

Quando una persona sanguina durante un intervento chirurgico o in terapia intensiva, i medici devono rapidamente decidere se somministrare trasfusioni di piastrine per favorire la coagulazione. I test di laboratorio standard possono contare le piastrine con precisione, ma spesso richiedono un’ora o più, rallentando decisioni urgenti. Dispositivi al letto del paziente che monitorano la formazione del coagulo in tempo reale sono molto più rapidi, tuttavia non mostrano direttamente quante piastrine ci siano nel sangue. Questo studio esplora se modelli computazionali possano tradurre quelle misurazioni rapide in informazioni attendibili sui livelli di piastrine pericolosamente bassi.

Uno sguardo rapido alla coagulazione in tempo reale

I moderni test point-of-care come la tromboelastometria rotazionale, o ROTEM, osservano come un campione di sangue coagula dal primo innesco fino al punto in cui il coagulo è solido e successivamente si degrada. Questi test forniscono curve e numeri che riflettono quanto il coagulo diventi forte e stabile, ma non il numero effettivo di piastrine. Ricerche precedenti hanno mostrato che alcune letture ROTEM sono correlate ai livelli piastrinici, tuttavia formule semplici basate su un singolo valore ROTEM non hanno previsto i conteggi piastrinici con sufficiente accuratezza per guidare il trattamento. Gli autori si sono chiesti se tecniche computazionali più avanzate che considerano molte caratteristiche ROTEM contemporaneamente potessero fare meglio.

Costruire modelli computazionali dai dati ospedalieri

Il team ha raccolto 2.333 coppie di esami ematici provenienti da quattro ospedali universitari, tutti prelevati da pazienti chirurgici o in terapia intensiva tra il 2014 e il 2023. Per ciascun caso disponevano di un set completo di misure ROTEM e di un conteggio piastrinico di laboratorio effettuato entro tre ore. Dopo aver pulito accuratamente i dati e imputato i valori mancanti, hanno alimentato 29 variabili correlate a ROTEM in diversi metodi di apprendimento automatico. Alcuni modelli hanno cercato di prevedere la concentrazione piastrinica esatta, mentre altri hanno affrontato domande più semplici: il conteggio piastrinico è inferiore a 100 miliardi per litro o inferiore a 50 miliardi per litro, livelli largamente utilizzati come soglie di sicurezza in chirurgia e in emorragie critiche.

Quanto bene i modelli sono riusciti a contare le piastrine

Quando è stato chiesto di stimare il conteggio piastrinico esatto, tutti i modelli di apprendimento automatico hanno superato le vecchie formule monovariate che si basavano su un singolo valore derivato da ROTEM. L’approccio migliore, un modello ensemble impilato che combina diversi metodi, ha mostrato comunque solo un’accuratezza moderata. Le sue previsioni differivano dal vero conteggio piastrinico in media di circa 40 miliardi di piastrine per litro, uno scarto che gli autori giudicano troppo impreciso per decisioni di dosaggio sicure. Grafici che confrontano conteggi previsti e reali, così come controlli statistici di bias e dispersione, hanno confermato che i modelli spesso sbagliavano per singoli pazienti anche quando coglievano tendenze generali.

Individuare livelli pericolosamente bassi funziona meglio

I modelli hanno performato molto meglio in un compito più semplice e clinicamente cruciale: segnalare i pazienti con conte chiaramente basse di piastrine. Per rilevare conte sotto i 100 miliardi per litro, i modelli random forest e gli ensemble hanno raggiunto valori elevati per una misura standard della qualità del test chiamata area sotto la curva. Sono stati particolarmente efficaci nell’escludere bassi livelli piastrinici, con probabilità molto alte che un risultato “sicuro” indicasse realmente che il paziente era al di sopra della soglia. Le prestazioni sono risultate ancora più robuste per la rilevazione di conte sotto i 50 miliardi per litro, dove nuovamente l’ensemble ha fatto la differenza. Questi risultati sono rimasti validi attraverso diversi criteri di valutazione e sono stati chiaramente superiori al ricorrere al singolo valore derivato da ROTEM.

Cosa potrebbe significare al letto del paziente

Gli autori concludono che i modelli di apprendimento automatico attuali non sono ancora abbastanza precisi da sostituire il conteggio piastrinico di laboratorio, poiché le loro stime del numero esatto variano troppo per i singoli pazienti. Tuttavia, gli stessi modelli sono molto validi nel rispondere con un sì o no alla domanda se le piastrine siano scese sotto soglie di sicurezza chiave. In situazioni di sanguinamento urgente, tale guida rapida al letto del paziente potrebbe aiutare i medici a ritardare o evitare in modo sicuro trasfusioni di piastrine mentre attendono i risultati di laboratorio, riducendo sia i ritardi nelle cure sia l’esposizione non necessaria a emocomponenti.

Citazione: Brooks, R., Noitz, M., Mahečić, T.T. et al. Machine learning based prediction of platelet concentration from ROTEM measurements. Sci Rep 16, 15854 (2026). https://doi.org/10.1038/s41598-026-45743-3

Parole chiave: conteggio piastrinico, trombocitopenia, ROTEM, apprendimento automatico, trasfusione di piastrine