Modelli di Predizione del Rischio Basati su Intelligenza Artificiale per le Complicanze dopo la Chirurgia del Cancro della Lingua

Lo studio rappresenta un importante contributo nell'applicazione dell'intelligenza artificiale alla chirurgia oncologica testa-collo, affrontando un'esigenza clinica ben documentata: la glossectomia con ricostruzione per tumori della lingua comporta significativi rischi di morbidità postoperatoria, ma gli strumenti attuali offrono limitata stratificazione del rischio individualizzata. Il disegno sperimentale è robusto: uno studio di coorte retrospettivo su larga scala che ha coinvolto oltre 700 ospedali prevalentemente americani, con dati provenienti da un periodo di sedici anni (2008-2024). Il campione di 8.266 adulti è rappresentativo della popolazione sottoposta a resezione linguale per cancro, con età mediana di 63 anni e una distribuzione per genere equilibrata (59,2% maschi). La metodologia è particolarmente sofisticata: i ricercatori hanno utilizzato 31 variabili preoperatorie disponibili per addestrare sia modelli tradizionali (regressione logistica) sia cinque diversi algoritmi di machine learning (rete neurale, support vector classifier, LightGBM, XGBoost, e stacked generalization). La stratificazione temporale è metodologicamente rigorosa: i dati 2008-2023 sono stati suddivisi 85:15 in set di addestramento e validazione, mentre i dati 2024 costituivano un set di test completamente indipendente, garantendo valutazione non viziata della generalizzabilità. I risultati numerici sono impressionanti: tra i 8.266 pazienti, la riapertura non pianificata è occorsa nell'8,6% dei casi, l'infezione del sito chirurgico nel 6,2%, l'emorragia richiedente trasfusione nel 6,6%, la polmonite nel 3,2%, complicanze serie nel 14,5%, e qualsiasi complicanza nel 17,3%. Le procedure includevano glossectomia parziale (74,2%), glossectomia composita/estesa (9,5%), glossectomia totale (4,1%), e escissioni minori (15,4%). L'analisi comparativa rivela che i modelli ML hanno dimostrato performance discriminativa comparabile al calcolatore di rischio ACS-NSQIP, ma con vantaggi specifici: la predizione dell'emorragia richiedente trasfusione ha mostrato le migliori prestazioni complessive (area under the receiver operating characteristic curve 0,88-0,90, area under the precision-recall curve 0,41-0,52), un outcome non disponibile nel calcolatore ACS-NSQIP standard. La selezione outcome-specifica dei modelli ha identificato XGBoost come ottimale per emorragia, complicanze serie e qualsiasi complicanza, mentre LightGBM per riapertura, infezione del sito chirurgico e polmonite. Questo rappresenta un avanzamento significativo perché consente una stratificazione del rischio più precisa e outcome-specifica rispetto agli strumenti precedenti, potenzialmente trasformando la pratica clinica nella pianificazione preoperatoria di pazienti candidati a chirurgia oncologica linguale.