Miscellanea
  • Sei qui:  
  • Home
  • Miscellanea
  • L'intelligenza artificiale aiuta a identificare quali pazienti candidare a cure palliative precoci
Martedì, 20 Febbraio 2024

L'intelligenza artificiale aiuta a identificare quali pazienti candidare a cure palliative precoci

A cura di Massimo Di Maio

Uno studio dimostra che l’impiego di tecniche di machine learning può ottimizzare la stima prognostica nella pratica clinica, e ottimizzare la selezione dei pazienti candidati a cure palliative precoci

Jiang Chen He et al. Machine Learning to Allocate Palliative Care Consultations During Cancer Treatment. J Clin Oncol 0, JCO.23.0129 DOI:10.1200/JCO.23.01291

Da vari anni è ben noto alla comunità oncologica che, nei pazienti affetti da una neoplasia avanzata, l’attenzione precoce alle cure palliative (non limitata alla fase che segue l’interruzione dei trattamenti antitumorali attivi, ma in alcuni casi affiancata alle terapie attive) può ridurre i costi, migliorare la qualità della vita e prolungare la sopravvivenza.

Tuttavia, è altrettanto ben noto il fatto che, nella maggior parte delle strutture, le disponibilità limitate di personale dedicato e di tempo fanno sì che difficilmente tutti i pazienti possano ricevere una visita di cure palliative al momento della presa in carico.

Gli autori dell’articolo recentemente pubblicato sul Journal of Clinical Oncology hanno valutato se un sistema prognostico basato sull’impiego di “machine learning” potrebbe ottimizzare il ricorso precoce alle cure palliative, in un sistema sanitario dalle capacità limitate come quello attuale.

Allo scopo, gli autori hanno utilizzato dati amministrativi disponibili per i pazienti trattati in Ontario, Canada. Erano eleggibili pazienti con una diagnosi oncologica non candidata a trattamenti con intento guaritivo, che avessero ricevuto una terapia sistemica con intento palliativo tra il 1 luglio 2014 e il 30 dicembre 2019.

Basandosi sull’impiego del “machine learning”, gli autori hanno provato a sviluppare un sistema che potesse stimare la prognosi del paziente (in particolare il rischio di morte entro 1 anno) sulla base dei dati demografici, delle caratteristiche del tumore, del tipo di trattamento, dei sintomi, dei valori di laboratorio e dell’eventuale storia di ricoveri in terapia intensiva.

Allo scopo di lavorare su una coorte di training e successivamente validare il risultato, gli autori hanno usato come coorte di training i pazienti che avessero iniziato il trattamento prima del 1 luglio 2017 e poi validato il risultato nei pazienti successivi.

Nel complesso, l’analisi si è basata sui dati di 560.210 trattamenti antitumorali ricevuti da 54.628 pazienti. Il decesso si è verificato entro 1 anno nel 45.2% dei trattamenti.

Nella pratica reale, il 15.3% dei pazienti aveva ricevuto cure palliative precoci almeno 6 mesi prima della morte, con il 12.2% dei pazienti che erano vivi 2 anni oltre la visita iniziale di cure palliative.

Adottando come soglia per l’indicazione alle cure palliative precoci un rischio del 60% di morte entro l’anno, il sistema di machine learning ha raccomandato approssimativamente lo stesso numero di visite di cure palliative osservate con le cure abituali.

Rispetto all’approccio tradizionale, l’indicazione alle cure palliative precoci sulla base del sistema di machine learning potrebbero aumentarne l’impiego dell’8,5% in totale (intervallo di confidenza al 95%, da +7,5 a +9,5; p<0,001) e del 15,3% (intervallo di confidenza al 95% da +13,9 a +16,6; p<0,001) tra i pazienti che vivono 6 mesi oltre il primo trattamento.
Solo il 2.1% dei pazienti avrebbero ricevuto le cure palliative precoci più di 2 anni prima della morte.

In sintesi, l’applicazione del modello di machine learning non avrebbe richiesto un numero significativamente maggiore di visite di cure palliative in totale, e non avrebbe aumentato sostanzialmente le visite di cure palliative tra i pazienti destinati a vivere oltre 2 anni, ottimizzando quindi l'indicazione e l'impiego delle risorse.

Sulla base dei dati sopra sintetizzati, gli autori sottolineano che i sistemi prognostici di apprendimento automatico potrebbero ottimizzare l’accesso alle cure palliative precoci, pur nella difficoltà legata alle limitate risorse esistenti.

Questi risultati dimostrano l’urgente necessità di implementare e valutare sistemi prognostici nella pratica clinica, allo scopo di ottimizzare l’indicazione e l’accesso alle cure palliative precoci.