Un framework interpretabile di data-mining combinatorio per la previsione dell’ipertensione di nuova insorgenza nella popolazione generale

Questo studio rappresenta un'applicazione innovativa del metodo LAMP (limitless-arity multiple-testing procedure) nel contesto della medicina preventiva e della stratificazione del rischio cardiovascolare. La metodologia si distingue per il suo approccio combinatorio che va oltre l'analisi tradizionale dei singoli fattori di rischio, riconoscendo come l'ipertensione sia il risultato di interazioni complesse tra molteplici parametri clinici. Il campione straordinariamente ampio di oltre 2,6 milioni di individui, sottoposti a follow-up quinquennale standardizzato, conferisce solidità statistica ai risultati e riduce il rischio di bias di selezione. La suddivisione metodologica in 28,618 soggetti per la scoperta delle regole e 2,581,668 per la validazione rappresenta un approccio rigoroso di machine learning che previene l'overfitting. I risultati mostrano un pattern dose-risposta chiaro: l'aumento del numero di combinazioni predittive si correla linearmente con l'incremento dell'incidenza di ipertensione, con significatività statistica eccellente (p<0,001). Questo è particolarmente rilevante considerando che l'ipertensione rappresenta un fattore di rischio modificabile cruciale per la prevenzione primaria dell'insufficienza cardiaca, malattia coronarica e ictus. La performance discriminativa con AUC di 0,69 suggerisce una capacità diagnostica moderata ma clinicamente significativa. Nel contesto della letteratura esistente, questo approccio integra la comprensione tradizionale dei singoli fattori di rischio con la complessità biologica reale, permettendo ai clinici di identificare profili di rischio specifici basati su parametri di routine già disponibili negli screening di salute occupazionali o preventivi.