Modellazione predittiva basata su machine learning per lo sviluppo della rinosinusite cronica utilizzando cartelle cliniche longitudinali

Lo studio rappresenta un'importante applicazione della medicina predittiva nel campo dell'otorinolaringoiatria e dell'allergologia, utilizzando algoritmi di machine learning su dati longitudinali provenienti da cartelle cliniche elettroniche su larga scala. La metodologia impiega tecniche di apprendimento automatico supervisionate per identificare pattern clinici e trajectorie diagnostiche che precedono la diagnosi formale di rinosinusite cronica. Questo approccio consente di catturare la progressione naturale della malattia attraverso i dati reali di pazienti, piuttosto che basarsi su studi controllati tradizionali. Il campione dello studio include coorti di pazienti estratte da EHR di grandi istituzioni sanitarie, permettendo l'analisi di migliaia di pazienti con follow-up longitudinale, che garantisce la robustezza statistica dei risultati. Il design dello studio prevede la suddivisione dei dati in set di training per lo sviluppo del modello e set di test per la validazione esterna, fondamentale per valutare la generalizzabilità. I risultati numerici principale, con un AUC stabile attorno a 0,81 nella validazione esterna, indicano una discriminazione moderato-buona tra pazienti che svilupperanno CRS e quelli che non la svilupperanno. Nel contesto clinico più ampio, la CRS rappresenta una condizione altamente prevalente con significativo impatto sulla qualità della vita e sui costi sanitari. La ricerca precedente ha evidenziato complessi fattori biologici e ambientali contribuenti, ma mancavano strumenti predittivi affidabili. Questo studio colma questo gap fornendo un modello quantitativo basato su dati clinici reali. I predittori identificati dal modello offrono insight sulla progressione della malattia, mostrando come l'evoluzione dei percorsi diagnostici e dei segni clinici precede la diagnosi formale. Il confronto con la letteratura esistente evidenzia come questo approccio superi i metodi tradizionali basati su singoli marker clinici, integrando invece informazioni multidimensionali per ottenere predizioni più accurate. L'implementazione come strumento di supporto decisionale potrebbe migliorare l'efficienza diagnostica e consentire interventi preventivi precoci.