Un modello di machine learning per la previsione della sepsi post-operatoria in pazienti chirurgici acuti: studio prospettico multicentrico

Perché è importante per pazienti e familiari

La sepsi è una reazione potenzialmente letale a un’infezione che può insorgere dopo un intervento chirurgico d’emergenza, soprattutto negli anziani. I clinici sanno che individuare precocemente il rischio di sepsi può salvare vite, ma è difficile valutare chi sia più vulnerabile nella fretta che precede un’operazione urgente. Questo studio valuta se il riconoscimento di pattern basato su computer, un ramo dell’intelligenza artificiale chiamato machine learning, possa analizzare i dati ospedalieri di routine per segnalare gli anziani più propensi a sviluppare sepsi dopo la chirurgia d’emergenza, dando ai team più tempo per intervenire.

La sepsi e i rischi dopo la chirurgia d’emergenza

La sepsi è una delle principali cause di morte a livello globale, legata a milioni di casi e a diversi milioni di decessi ogni anno. La chirurgia d’emergenza aggiunge ulteriore stress: i pazienti sono spesso più anziani, più fragili e già gravemente malati quando arrivano in sala operatoria. Le infezioni possono insorgere o peggiorare rapidamente dopo la procedura, e i sintomi possono somigliare a quelli di un normale recupero post-operatorio finché il paziente non peggiora improvvisamente. Checklist e sistemi di punteggio tradizionali aiutano, ma non sono stati progettati specificamente per le persone anziane che necessitano di interventi urgenti e possono non individuare chi è a maggior rischio.

Trasformare i dati di routine in segnali di allerta precoce

I ricercatori hanno utilizzato informazioni provenienti da un ampio studio italiano su pazienti di età pari o superiore a 65 anni sottoposti a interventi d’emergenza in 29 ospedali. Da oltre 150 voci registrate, si sono concentrati solo sui dettagli disponibili prima dell’intervento, come età, patologie preesistenti, stato funzionale, segni vitali, esami del sangue di base e misure di fragilità. Hanno classificato i pazienti come settici o non settici in base a un punteggio al letto del paziente chiamato qSOFA, che usa la frequenza respiratoria, la pressione arteriosa e lo stato mentale per segnalare un’infezione pericolosa. In totale sono stati analizzati 2563 pazienti, di cui 119 soddisfacevano i criteri per la sepsi dopo l’intervento.

Come sono stati costruiti e testati i modelli informatici

Il team ha confrontato diversi tipi di modelli di machine learning, tra cui regressione logistica, k-nearest neighbors, random forest e alberi potenziati con gradient boosting. Per evitare autoinganni, hanno utilizzato un rigoroso metodo di validazione a due livelli noto come nested cross-validation: per ogni esecuzione, hanno tenuto da parte alcuni pazienti come gruppo di test e hanno ottimizzato i modelli solo sui casi rimanenti. Hanno anche gestito il fatto che la sepsi fosse relativamente rara bilanciando i dati con attenzione, colmando piccoli gap informativi e standardizzando le misure. Le prestazioni sono state valutate con indicatori noti come l’accuratezza, la sensibilità e la specificità, che mostrano quanto spesso il modello individuava correttamente o escludeva la sepsi.

Cosa hanno rivelato i modelli sul rischio di sepsi

Tutti i modelli di machine learning hanno chiaramente superato una strategia semplice che presume che nessuno svilupperà sepsi. Tra i modelli individuali, random forest e gli alberi con gradient boosting hanno offerto il miglior compromesso tra catturare correttamente la sepsi e minimizzare falsi allarmi, con un’accuratezza complessiva superiore al 95% e una solida capacità di distinguere pazienti ad alto rischio da quelli a basso rischio. I ricercatori hanno anche combinato i quattro modelli principali in un unico ensemble che prendeva la decisione per maggioranza dalle loro previsioni. Questo approccio combinato ha raggiunto un’accuratezza molto elevata, buona sensibilità e un’eccellente affidabilità quando dichiarava un paziente a basso rischio, il che significa che pochissime persone poi svilupparono sepsi senza essere state individuate dal sistema di allerta precoce.

Cosa potrebbe significare in ospedale

Se confermato da studi futuri, questo tipo di strumento preoperatorio per la valutazione del rischio potrebbe offrire ai team chirurgici una checklist pratica alimentata dai dati. Prima che una persona anziana entri in sala operatoria, il modello potrebbe analizzare discretamente le informazioni di routine e suggerire chi potrebbe necessitare di monitoraggio più stretto, antibiotici anticipati o cure post-operatorie diverse. Potrebbe orientare decisioni sul luogo di recupero del paziente, ad esempio in reparto ordinario o in unità a intensità maggiore, e aiutare gli ospedali a concentrare personale e risorse limitate su chi ha maggiori probabilità di sviluppare un’infezione grave. Lo studio non afferma che il modello sia pronto per l’uso clinico quotidiano, ma dimostra che il machine learning può trasformare informazioni già raccolte nella chirurgia d’emergenza in avvisi precoci significativi sul rischio di sepsi.

Citazione: Fransvea, P., Liuzzi, P., Costa, G. et al. A machine learning model for post-operative sepsis prediction in acute surgical patients: a multi-centre, prospective study. Sci Rep 16, 15651 (2026). https://doi.org/10.1038/s41598-026-46040-9

Parole chiave: sepsi postoperatoria, chirurgia d’emergenza, pazienti anziani, machine learning, previsione del rischio