Sviluppo e validazione multicentrica di criteri diagnostici spiegabili basati su machine learning per la sepsi addominale pediatrica

Perché conta per i bambini malati

Quando un bambino arriva in ospedale con forte dolore addominale e segni di infezione, i medici devono decidere molto rapidamente chi è realmente in pericolo. Se la sepsi addominale – un’infezione potenzialmente letale nell’area addominale – viene mancata o riconosciuta troppo tardi, il bambino può andare incontro a insufficienza d’organo e il trattamento potrebbe non essere più efficace. Questo studio descrive un nuovo strumento informatico, costruito su dati ospedalieri reali, che aiuta i medici a individuare la sepsi addominale nei bambini prima e in modo più affidabile, utilizzando esami del sangue e segni vitali che già raccolgono quotidianamente.

La minaccia nascosta nell’addome

La sepsi è una delle principali cause di morte infantile nel mondo, e le infezioni che nascono nell’addome sono tra le forme più pericolose. Le attuali regole e scale per la sepsi sono state in gran parte sviluppate per gli adulti e si concentrano molto su problemi respiratori e cardiaci. Quando questi segni sono evidenti in un bambino, il danno a livello addominale, epatico o intestinale può essere già grave. Anche gli strumenti pediatrici esistenti faticano a identificare in modo sufficientemente precoce la sepsi addominale per guidare un intervento chirurgico tempestivo o un trattamento aggressivo. Gli autori sostengono che i bambini con sospetta patologia addominale necessitano di uno strumento diagnostico pensato specificamente per questo tipo di infezione.

Trasformare i test di routine in un allarme intelligente

Il team di ricerca ha raccolto cartelle cliniche elettroniche di oltre 22.000 bambini trattati in un grande ospedale pediatrico in Cina tra il 2019 e il 2023, concentrandosi su 6.566 pazienti con problemi addominali come appendicite o occlusione intestinale. All’interno di questo gruppo, gli specialisti hanno esaminato attentamente cartelle, immagini, interventi chirurgici, terapie e note di follow‑up per stabilire quali bambini avessero realmente una sepsi addominale pediatrica (PAS). Hanno usato un approccio di “active learning”: un piccolo campione è stato etichettato da tre medici esperti, è stato addestrato un modello preliminare, e quel modello ha poi suggerito nuovi casi incerti da riesaminare, raffinando ripetutamente il dataset e riducendo le discordanze.

Nove segnali semplici ma potenti

Tra le decine di valori di laboratorio e segni vitali misurati nelle prime 24 ore dal ricovero, i ricercatori hanno cercato la combinazione che meglio separasse la sepsi dalle altre patologie addominali. Hanno individuato nove misurazioni di uso quotidiano: frequenza cardiaca; conta dei globuli bianchi; conta assoluta dei neutrofili; un enzima correlato al fegato chiamato γ‑glutamil transferasi; un altro enzima epatico (AST); il rapporto tra due proteine plasmatiche (albumina e globuline); prealbumina; livello di calcio; e un marcatore sensibile dell’infiammazione noto come proteina C‑reattiva ad alta sensibilità. Nessuno di questi test è esotico — fanno parte della pratica routinaria — ma insieme costituiscono un pattern potente. Utilizzando questi nove marker, sono stati confrontati diversi metodi di machine learning, e un modello random‑forest ha fornito le prestazioni più affidabili.

Uno strumento che funziona in molti ospedali

Il modello finale, chiamato ABSeD (Abdominal Sepsis Diagnosis), ha distinto correttamente la PAS dalle altre patologie addominali con alta accuratezza. Nei dati dell’ospedale di origine le sue prestazioni sono state eccellenti e sono state confermate dalla validazione interna. Per verificare la generalizzabilità oltre un singolo centro, il team ha poi creato una piattaforma online e raccolto prospetticamente i dati in sette ospedali aggiuntivi nella provincia di Zhejiang all’inizio del 2025. Tra 308 bambini con follow‑up chiaro o conferma chirurgica, ABSeD ha mostrato nuovamente risultati solidi, segnalando con precisione la maggior parte dei casi di sepsi addominale e mantenendo un’elevata precisione — cioè, quando avvertiva della sepsi, spesso aveva ragione. Il sistema mostra anche come ciascuno dei nove marker influenzi il giudizio del modello, offrendo ai medici una visione trasparente anziché una “scatola nera” misteriosa.

Dal modello di ricerca all’aiuto al letto del paziente

Per rendere il lavoro utilizzabile nella pratica quotidiana, gli autori hanno creato un’interfaccia web in cui i clinici inseriscono età del bambino, informazioni di base e i nove valori di laboratorio. Lo strumento restituisce un punteggio di rischio e una chiara rappresentazione visiva di quali misurazioni hanno portato al risultato, aiutando i medici a decidere se intensificare le cure, richiedere indagini di imaging o procedere all’intervento. Lo studio sottolinea sia le potenzialità sia i limiti del modello: è pensato per bambini con sospetta patologia addominale, non per uno screening universale, ed è stato finora testato solo in una regione e con uno sfondo etnico limitato. Tuttavia, lo strumento ABSeD dimostra come un’intelligenza artificiale costruita con cura e spiegabile possa trasformare normali esami di laboratorio in un sistema di allerta precoce, potenzialmente salvando vite di bambini intercettando la sepsi addominale prima che sia troppo tardi.

Citazione: Cao, S., Cai, D., Zhang, S. et al. Development and multicenter validation of an explainable machine learning diagnostic criteria for pediatric abdominal sepsis. npj Digit. Med. 9, 312 (2026). https://doi.org/10.1038/s41746-026-02500-0

Parole chiave: sepsi pediatrica, infezione addominale, machine learning, diagnosi precoce, supporto alle decisioni cliniche