Dati Sanitari Condivisi: Una Nuova Speranza per Prevenire il Suicidio?

Ciao a tutti! Oggi voglio parlarvi di un argomento tanto delicato quanto cruciale: il suicidio. Sapete, negli Stati Uniti, è una delle prime 10 cause di morte, e i tassi sono aumentati in modo preoccupante negli ultimi vent’anni, oltre il 30%. È una vera emergenza sanitaria. Per questo, identificare le persone a rischio negli ambienti sanitari è diventata una priorità nazionale. E qui entra in gioco qualcosa di affascinante: l’uso di modelli statistici, quasi come dei “detective digitali”, per prevedere questo rischio.

Finora, abbiamo visto diversi modelli promettenti basati sui dati delle cartelle ospedaliere, delle richieste di rimborso assicurativo o di singole reti sanitarie. Funzionano abbastanza bene, diciamocelo. Ma recentemente, c’è stata una spinta enorme, anche a livello federale, per creare qualcosa di più grande: gli Health Information Exchanges (HIE).

Cosa sono questi HIE?

Immaginate una rete super connessa che raccoglie informazioni sui pazienti da tantissimi posti diversi: ospedali, ambulatori, laboratori, medici di base… tutto insieme, anche se usano sistemi diversi. L’idea è fantastica, perché permette di avere un quadro molto più completo della storia clinica di una persona. Però, c’è un “ma”: questi dati sono spesso “grezzi”, non perfettamente organizzati o “curati” come quelli usati finora per la ricerca. Sono dati del mondo reale, con tutte le loro imperfezioni.

La domanda che ci siamo posti è stata: possiamo usare questi dati HIE, così come sono, per costruire modelli affidabili di previsione del rischio suicidio? Sarebbe un passo avanti enorme, perché sfrutteremmo una miniera di informazioni reali e diversificate.

Lo Studio nel Kansas: Un’Occhiata da Vicino

Per capirlo, è stato condotto uno studio retrospettivo molto interessante utilizzando i dati del Kansas Health Information Network (KHIN), uno degli HIE più maturi negli USA. Hanno preso i dati di oltre mezzo milione di residenti del Kansas tra i 18 e i 64 anni, raccolti tra il 2012 e il 2017. L’obiettivo era vedere chi, tra loro, avrebbe avuto un tentativo di suicidio nel periodo successivo (fino a 2 anni dopo l’ultima visita registrata nel 2016).

I “detective digitali”, cioè i modelli predittivi, sono stati costruiti usando informazioni semplici ma potenti:

• Età del paziente
• Genere
• Codici di diagnosi medica (quelli che i medici usano per registrare le malattie, tipo ICD-10)

Anche un precedente tentativo di suicidio era incluso come fattore predittivo, ovviamente. Altri dati, come farmaci o informazioni etniche, erano troppo incompleti o inconsistenti tra le varie strutture e quindi, ahimè, non sono stati usati.

I Risultati: Cosa Abbiamo Scoperto?

Ebbene, i risultati sono stati davvero incoraggianti! Il modello migliore ha raggiunto un’accuratezza (misurata con un parametro chiamato AUROC) di 0.82. Questo valore è perfettamente in linea, se non addirittura ottimo, rispetto ai modelli precedenti basati su altri tipi di dati (che di solito si attestano tra 0.73 e 0.85). Quindi, sì, è fattibile usare i dati HIE!

Ma la cosa forse più interessante riguarda i predittori, cioè i fattori che il modello ha identificato come importanti per segnalare un rischio. Certo, c’erano quelli che ci aspettavamo:

• Precedenti tentativi di suicidio (questo è un segnale fortissimo)
• Disturbi di salute mentale come depressione maggiore, disturbi d’ansia
• Avvelenamenti (spesso legati a tentativi)
• Epilessia e crisi ricorrenti

Però, grazie alla diversità dei dati HIE provenienti da tanti contesti clinici diversi (ambulatori, ospedali, ecc.), sono emersi anche altri fattori, alcuni persino protettivi! Ad esempio, avere tra i 40 e i 64 anni sembrava leggermente protettivo, così come avere diagnosi legate a controlli della vista o a infortuni sportivi (fratture, ecc.). Questo suggerisce che forse chi si prende cura attivamente della propria salute generale, anche per piccole cose, potrebbe essere a minor rischio. È affascinante vedere come anche codici relativi a malattie infettive, respiratorie, digestive o muscoloscheletriche contribuissero al quadro generale. Questo dimostra il valore di guardare oltre le sole visite psichiatriche.

Chi viene identificato correttamente?

Un altro aspetto chiave: le persone che il modello ha correttamente identificato come ad alto rischio (i cosiddetti “veri positivi”) tendevano ad avere molte più diagnosi rilevanti (non solo quelle psichiatriche) e, soprattutto, avevano avuto contatti più frequenti con il sistema sanitario prima del periodo di osservazione. Questo ha senso: più interazioni hai, più dati lasci, più è facile per il modello “vederti”. Al contrario, chi era a rischio ma non è stato identificato (“falsi negativi”) aveva avuto molti meno contatti e pochissime delle diagnosi predittive.

Implicazioni Cliniche: Cosa Significa Tutto Questo?

Prima di tutto, questo studio ci dice che non servono per forza dati perfetti e super-organizzati per costruire modelli utili. Anche i dati “grezzi” del mondo reale, come quelli degli HIE, possono funzionare egregiamente. Questo è importante perché apre le porte all’uso di queste reti, che stanno diventando sempre più diffuse.

Secondo, usare dati da fonti così diverse (dall’ambulatorio di quartiere al grande ospedale) ci dà una visione molto più ricca e completa del paziente. Possiamo cogliere segnali che altrimenti andrebbero persi, inclusi fattori protettivi legati a cure ricevute in contesti non strettamente psichiatrici. Gli HIE potrebbero davvero permetterci valutazioni del rischio suicidio più olistiche.

Limiti e Prossimi Passi: La Strada è Ancora Lunga

Ovviamente, non è tutto rose e fiori. Ci sono delle sfide:

• Inconsistenza dei dati: Non tutte le strutture inviano i dati allo stesso modo o con la stessa completezza.
• Dati demografici scarsi: Informazioni importanti come etnia o background socio-economico spesso mancano, e questo potrebbe influenzare l’accuratezza e l’equità dei modelli.
• Farmaci mancanti: L’assenza di dati sui farmaci prescritti è un peccato, anche se altri studi suggeriscono che potrebbero non migliorare drasticamente le performance.
• Falsi positivi: Come molti altri strumenti di screening, anche questi modelli identificano come “a rischio” persone che poi non avranno tentativi (basso valore predittivo positivo). Questo richiede cautela nell’implementazione clinica: come rispondere a un alert del sistema?
• Dati “vecchi”: I dati usati arrivano fino al 2017, prima della pandemia COVID-19, che ha scosso profondamente la salute mentale. I modelli andrebbero rivalutati con dati più recenti.
• Generalizzabilità: Questo studio è stato fatto su un HIE specifico (KHIN) e sui residenti del Kansas. Funzionerebbe allo stesso modo altrove? È una domanda aperta.

Nonostante questi limiti, i risultati sono davvero promettenti. Dimostrano che i dati reali, raccolti dagli HIE, hanno un potenziale enorme per aiutarci a identificare le persone a rischio suicidio. Non dobbiamo limitarci ai dati di un singolo ospedale o di una singola rete. Sfruttare la ricchezza delle informazioni provenienti da tutti i luoghi in cui le persone ricevono cure potrebbe offrirci opportunità senza precedenti per prevenire tentativi di suicidio e salvare vite. La strada è ancora lunga, ma abbiamo una nuova, potente freccia al nostro arco.

Fonte: Springer