Prevenzione e stile di vita

Migliorare lo screening end-of-life nel Pronto Soccorso con l’intelligenza artificiale collaborativa

📅 2026 📰 Annals of emergency medicine

🆕 Ultimi 12 mesi

💡 In sintesi

Studio prospettico su 3.479 pazienti anziani (≥65 anni) in Pronto Soccorso che confronta tre approcci predittivi della mortalità a 6 mesi: la domanda sorpresa del medico (SQ), il modello di intelligenza artificiale GEST e un nuovo modello collaborativo GEST+SQ. GEST ha mostrato prestazioni superiori alla SQ con sensibilità del 90% e specificità del 50,8%. Il modello combinato GEST+SQ non ha migliorato la discriminazione (ROC-AUC 0,80 vs 0,79), ma ha significativamente migliorato la calibrazione. Un percorso sequenziale che applica GEST a tutti i pazienti e SQ solo ai pazienti a rischio intermedio ridurrebbe del 95% il carico di screening manuale sui medici.

🔍 Approfondimento

Lo studio rappresenta un'importante indagine prospettica condotta presso un Pronto Soccorso accademico terziario tra novembre 2022 e giugno 2023, focalizzata su pazienti anziani (≥65 anni) con l'obiettivo di ottimizzare la predizione della mortalità a 6 mesi mediante approcci integrati uomo-macchina. La metodologia ha raccolto risposte alla domanda sorpresa (SQ: 'Sarebbe sorpreso se questo paziente morisse nei prossimi 6 mesi?') nel momento della dimissione dal Pronto Soccorso, calcolando contemporaneamente il punteggio GEST utilizzando dati laboratoristici, parametri vitali, informazioni demografiche e storiche disponibili nel sistema informativo. L'outcome di mortalità è stato verificato tramite cartelle cliniche elettroniche e registri statali. Su 9.256 pazienti idonei, solo 3.479 (37,6%) avevano risposte alla SQ, con mortalità effettiva a 6 mesi del 13,3%. L'analisi comparativa ha rivelato che GEST, ad uguale sensibilità della SQ (83,8%), manifestava specificità superiore (61,5% vs 50,8%), mentre ad uguale specificità (50,8%), la sensibilità di GEST (90%) superava significativamente quella della SQ (83,8%). Il modello GEST+SQ è stato sviluppato mediante regressione logistica e valutato mediante curve ROC-AUC per la discriminazione e expected calibration error per la calibrazione. Le prestazioni di discriminazione hanno mostrato modesti miglioramenti (ROC-AUC 0,80 per GEST+SQ vs 0,79 per GEST solo), ma la calibrazione è significativamente migliorata (expected calibration error 0,01 vs 0,042). La proposta di uno screening sequenziale, dove pazienti a basso e alto rischio ricevono solo GEST mentre quelli a rischio intermedio ricevono entrambi gli strumenti, ha dimostrato che solo il 5% dei pazienti richiederebbe SQ aggiuntiva. Questo risultato è particolarmente rilevante nel contesto della pratica clinica emergenziale, dove ridurre il carico di lavoro mantenendo o migliorando l'accuratezza predittiva rappresenta un obiettivo centrale per l'ottimizzazione delle risorse.

🎯 Cosa significa per te

Per il clinico, questo studio suggerisce che implementare GEST come strumento di screening primario nel Pronto Soccorso per pazienti anziani rappresenta un'alternativa validata e più efficiente rispetto allo screening universale basato sulla sola domanda sorpresa. L'approccio sequenziale proposto consente di ridurre significativamente il carico amministrativo mantenendo buone prestazioni predittive, permettendo ai medici di concentrare l'interazione clinica personale (SQ) solo su pazienti con rischio intermedio. Questo modello ibrido uomo-IA potrebbe essere adottato per migliorare i processi di screening end-of-life e facilitare discussioni tempestive sulla pianificazione delle cure nei pazienti anziani al momento della valutazione emergenziale.

⚠️ Limitazioni dello studio

Tasso di risposta alla SQ del 37,6% suggerisce potenziale bias di selezione; studio monocentrico in ospedale accademico terziario con limitata generalizzabilità; mortalità osservata del 13,3% potrebbe non essere rappresentativa di tutte le popolazioni di Pronto Soccorso; il modello combinato GEST+SQ non ha dimostrato miglioramento discriminativo superiore a GEST solo, limitando il valore aggiunto della combinazione; follow-up limitato a 6 mesi; nessun controllo randomizzato sull'implementazione del percorso sequenziale proposto.

📚 Fonte originale Haimovich, Erion-Barner, Nathanson et al.. "Improving End-of-Life Screening in the Emergency Department With Collaborative Artificial Intelligence.". Annals of emergency medicine, 2026.
DOI: 10.1016/j.annemergmed.2026.05.006 · → Leggi lo studio originale

⚠️ Questo contenuto è una sintesi editoriale. Non costituisce consiglio medico. Per lo studio completo consulta la fonte originale tramite il DOI.