Machine learning per la previsione del rischio di istituzionalizzazione e mortalità negli anziani in assistenza domiciliare: intelligenza artificiale spiegabile per l’assistenza a lungo termine

Lo studio rappresenta un'applicazione innovativa del machine learning nel contesto dell'assistenza domiciliare agli anziani, un ambito cruciale per le politiche di invecchiamento in situ. La metodologia impiega un approccio multinomiale per gestire eventi competitivi (istituzionalizzazione versus mortalità), affrontando una sfida metodologica importante nella ricerca geriatrica. Il campione di 36.526 beneficiari, estratto da un programma nazionale di assicurazione per l'assistenza a lungo termine, fornisce una base ampia e rappresentativa. I dati provengono da valutazioni standardizzate routinariamente raccolte, garantendo rilevanza clinica diretta e fattibilità implementativa. I risultati numerici mostrano un'escalation significativa del rischio di istituzionalizzazione: 10,4% entro sei mesi e 18,8% entro dodici mesi dall'inizio dell'assistenza domiciliare, evidenziando una finestra critica per interventi preventivi. La comparazione tra algoritmi rivela il vantaggio del modello LASSO in termini di prestazioni predittive e interpretabilità, aspetto cruciale per l'accettazione clinica. L'identificazione di marcatori specifici di rischio, come i comportamenti alimentari anomali correlati a demenza avanzata e l'esigenza di aspirazione, consente ai professionisti dell'assistenza di prioritizzare risorse limitate con maggiore precisione. Nel contesto della letteratura esistente, questo studio integra progressi in intelligenza artificiale spiegabile con la pratica clinica geriatrica, superando il divario tra algoritmi black-box e necessità di interpretabilità nel processo decisionale clinico. Le implicazioni pratiche includono potenziali risparmi economici nel sistema sanitario e miglioramento della qualità della vita mediante prevenzione della istituzionalizzazione prematura.