Costruire e convalidare modelli di machine learning per prevedere la perforazione appendicolare durante il trattamento conservativo dell’appendicite associata a fecalite: un’analisi multicentrica retrospettiva su 20 algoritmi

Perché è importante per chi ha dolori addominali

L’appendicite è una delle cause più comuni di intervento chirurgico d’urgenza, ma molti pazienti oggi vengono trattati inizialmente con antibiotici invece che con un’operazione immediata. Per chi ha nell’appendice un «sasso» di feci duro, chiamato fecalita, questa scelta può essere rischiosa perché l’organo ha una probabilità maggiore di perforarsi. Questo studio pone una domanda che interessa ogni paziente e medico di fronte a quella decisione: possiamo dire, precocemente e in sicurezza, chi può restare in terapia medica e chi invece è a reale rischio di una pericolosa perforazione?

La sfida di un’appendice ostruita

I medici sanno da anni che l’appendicite si comporta in modo diverso quando una fecalita ostruisce il sottile condotto dell’appendice. L’ostruzione aumenta la pressione, compromette il flusso sanguigno e favorisce l’infezione, tutti fattori che aumentano la probabilità che l’organo si rompa anche se gli antibiotici vengono avviati rapidamente. I comuni sistemi di punteggio clinici sono stati però sviluppati per l’insieme dei pazienti, non specificamente per quelli con fecalite, e non prevedono bene la perforazione in questo gruppo a rischio maggiore. Questa incertezza mette i clinici di fronte al dilemma di operare troppo spesso, con i suoi rischi e costi, o aspettare troppo e rischiare una appendice perforata.

Usare i pattern nei dati ospedalieri

I ricercatori hanno raccolto le cartelle di 1.247 adulti trattati senza intervento immediato per appendicite associata a fecalita in quattro grandi ospedali tra il 2018 e il 2023. Circa uno su sette ha sviluppato una perforazione entro tre giorni. Per ogni paziente il team ha raccolto informazioni semplici già presenti nella cura di routine: età, segni vitali, esami del sangue che indicano infiammazione e misurazioni alla TC dell’appendice e della fecalita. Hanno quindi addestrato 20 diversi algoritmi informatici a riconoscere i pattern che collegano queste caratteristiche al verificarsi o meno della perforazione, riservando una parte dei dati per testare i modelli in modo corretto.

Lo strumento vincente per la predizione del rischio

Tra tutti gli approcci, una famiglia di metodi che combina molti alberi decisionali, nota come gradient boosting, ha dato le migliori prestazioni. Dopo una fase di selezione delle caratteristiche, lo strumento finale si è basato su otto informazioni facilmente reperibili, tra cui la dimensione della fecalita, i livelli ematici di proteina C-reattiva e dei globuli bianchi e lo spessore e il diametro dell’appendice alla TC. Nel gruppo di test principale il modello ha distinto correttamente i pazienti ad alto e basso rischio con un’eccellente misura di accuratezza (AUC circa 0,89). In modo particolarmente significativo, quando il modello classificava un paziente a basso rischio, aveva ragione oltre il 96% delle volte sul fatto che non si sarebbe verificata una perforazione, offrendo una forte rassicurazione per il proseguimento del trattamento conservativo.

Trasformare i numeri in gruppi di rischio chiari

Per rendere lo strumento pratico al letto del paziente, il team ha convertito i punteggi di probabilità grezzi in tre semplici categorie. I pazienti con rischio previsto inferiore al 30% sono stati etichettati a basso rischio e hanno mostrato un tasso reale di perforazione del 3,8%. Quelli tra il 30 e il 60% erano a rischio moderato, con circa uno su quattro che perforava. Oltre il 60% erano pazienti ad alto rischio, più di sette su dieci dei quali hanno poi perforato. Le azioni suggerite seguono questa scala: monitoraggio di routine per il gruppo a basso rischio, osservazione più attenta e ripetizione degli esami per il gruppo intermedio e intervento chirurgico precoce o urgente per i pazienti a rischio più elevato. Un campione separato di 225 pazienti provenienti da un quinto ospedale, non usato per costruire il modello, ha mostrato prestazioni molto simili, suggerendo che l’approccio può funzionare oltre i centri originali.

Cosa significa per pazienti e medici

In termini pratici, questo studio mostra che un computer addestrato su comuni esami di laboratorio e riscontri alla TC può fornire ai medici un avviso precoce molto più chiaro su quali pazienti con appendice ostruita corrono un reale pericolo se continuano solo con gli antibiotici. Pur non essendo perfetto, lo strumento è particolarmente valido nell’identificare le persone che è sicuro osservare e trattare senza correre immediatamente in sala operatoria. Con ulteriori validazioni in ospedali diversi e con l’uso in tempo reale, tali modelli potrebbero supportare decisioni più personalizzate, aiutando molti pazienti a evitare interventi non necessari garantendo al contempo che quelli a maggior rischio ricevano tempestivamente un’operazione prima che l’appendice si rompa.

Citazione: Zhu, Y., Feng, J., Liu, R. et al. Building and validating machine learning models to predict appendiceal perforation during conservative treatment of fecalith-associated appendicitis: a 20-algorithm multicenter retrospective analysis. Sci Rep 16, 11728 (2026). https://doi.org/10.1038/s41598-026-47372-2

Parole chiave: appendicite, machine learning, predizione del rischio, trattamento conservativo, gradient boosting