Prevedere lo stadio del cancro polmonare alla diagnosi basandosi sui sintomi auto-riferiti e sui fattori di background tramite modelli di machine learning

Perché è così difficile cogliere il cancro polmonare in fase precoce

Il cancro polmonare è uno dei tumori più letali soprattutto perché spesso viene scoperto troppo tardi, quando le opzioni terapeutiche sono limitate. Tuttavia molte persone con cancro polmonare presentano sintomi prima e al momento della diagnosi — come tosse, respiro corto, stanchezza o perdita di peso — che in teoria potrebbero indurre i medici a intervenire prima. Questo studio pone una domanda semplice ma importante: se i pazienti riportano in modo sistematico e dettagliato i loro sintomi e le informazioni di background, i computer possono imparare a riconoscere chi è probabilmente affetto da cancro polmonare e se la malattia è in uno stadio precoce o avanzato?

Ascoltare le storie direttamente dai pazienti

I ricercatori hanno seguito 486 persone inviate a una clinica specialistica a Stoccolma perché i loro medici sospettavano un cancro polmonare. Tutti hanno compilato un dettagliato questionario elettronico su tablet chiamato PEX-LC. Questo indagava 57 fattori di background (come età, abitudine al fumo, situazione abitativa e precedenti malattie polmonari) e oltre 100 possibili sintomi, dai problemi respiratori e la tosse al dolore, affaticamento, variazioni dell’appetito e febbre. Le domande non rilevavano solo i primissimi segnali di allarme, ma anche quali sintomi erano presenti intorno al momento della diagnosi. Nell’anno successivo, le cartelle cliniche hanno rivelato chi è stato diagnosticato con cancro polmonare e se si trattava di una malattia non avanzata (principalmente stadi I–IIIa) o avanzata (IIIb–IV).

Chi si è rivelato avere il cancro polmonare

Tra le persone inviate, circa quattro su dieci non avevano il cancro, mentre sei su dieci hanno ricevuto una diagnosi di cancro polmonare, distribuito approssimativamente in pari misura tra stadio non avanzato e avanzato. Rispetto ai non affetti da cancro, i pazienti con cancro polmonare tendevano a essere più anziani, più frequentemente fumatori quotidiani, più propensi a vivere da soli e più spesso ad aver perso peso nell’anno precedente. Tra coloro con malattia in stadio avanzato, gli uomini erano sovrarappresentati e condizioni polmonari pregresse come asma, broncopneumopatia cronica ostruttiva e polmonite erano più comuni. Questi schemi di background suggeriscono che fattori di vita quotidiana — età, storia del fumo, situazione abitativa e cambiamenti di salute recenti — restano segnali di rischio potenti, anche prima di concentrarsi su sintomi specifici.

Sintomi che emergono

Confrontando i sintomi riportati, il team ha osservato che le persone con cancro polmonare in fase precoce apparivano sorprendentemente simili a quelle senza cancro: solo un sibilo respiratorio e l’assenza di febbre li distinguevano chiaramente nei confronti semplici uno-a-uno. Al contrario, chi aveva cancro polmonare in stadio avanzato presentava molte più lamentele distintive. Era più probabile che riferissero respiro corto, senso di asfissia, tosse irritante e respirazione rumorosa, oltre a dolore (soprattutto alla schiena), forte affaticamento, debolezza, brividi e problemi alimentari come sazietà precoce e perdita di appetito. Questi pattern confermano che quando il cancro polmonare è avanzato tende a coinvolgere più sistemi corporei, mentre la malattia in fase iniziale può celarsi dietro sensazioni vaghe o facilmente sottovalutate.

Cosa hanno potuto e non potuto fare i computer

Per verificare se combinazioni complesse di risposte potessero raccontare una storia più chiara rispetto a un singolo sintomo, i ricercatori hanno addestrato diversi tipi di modelli di machine learning. Questi algoritmi hanno appreso da 129 variabili diverse del questionario per separare le persone con tumore non avanzato da quelle senza cancro e, separatamente, per distinguere il cancro avanzato dall’assenza di cancro. I modelli hanno raggiunto solo una precisione moderata: hanno fatto meglio del caso, ma erano lontani dalla perfezione, specialmente per la malattia in stadio precoce. Fattori di background come età, stato di fumatore, sesso e vivere da soli sono risultati costantemente tra i predittori più influenti. Alcuni sintomi — tosse irritante, respiro sibilante o rumoroso, senso di asfissia, costrizione alla gola, dolore e variazioni di appetito o peso — hanno contribuito anch’essi, in particolare per il cancro avanzato. Tuttavia nessun piccolo insieme di sintomi dominava; piuttosto, decine di caratteristiche sottili dovevano essere combinate per raggiungere prestazioni modeste.

Cosa significa per pazienti e medici

Lo studio mostra che chiedere semplicemente alle persone in modo dettagliato dei loro sintomi e delle loro circostanze di vita può rivelare pattern significativi legati al cancro polmonare, ma che questi segnali sono spesso deboli, soprattutto nelle fasi iniziali quando il trattamento ha maggiori possibilità di cura. I modelli di machine learning basati solo sui dati del questionario possono aiutare a selezionare quali pazienti inviati potrebbero necessitare di indagini particolarmente urgenti, tuttavia non sono sufficientemente accurati da essere usati da soli come strumenti di screening o test diagnostici. Per pazienti e clinici, la conclusione principale è che età, fumo, vivere da soli e perdita di peso recente, combinati con problemi respiratori persistenti, dolore, perdita di appetito o affaticamento inspiegabile, dovrebbero abbassare la soglia per accertamenti polmonari approfonditi. Gli autori sostengono che il futuro della diagnosi precoce del cancro polmonare deriverà probabilmente dall’integrazione di queste informazioni auto-riferite con dati clinici e test biologici, piuttosto che dall’affidarsi ai soli sintomi.

Citazione: Gustavell, T., Sissala, N., Pernemalm, M. et al. Predicting lung cancer stage at diagnosis based on self-reported symptoms and background factors using machine learning models. Sci Rep 16, 11866 (2026). https://doi.org/10.1038/s41598-026-46710-8

Parole chiave: cancro polmonare, rilevamento precoce, sintomi segnalati dal paziente, apprendimento automatico, valutazione del rischio