Predizione della mortalità dopo frattura di femore: sviluppo e valutazione di modelli predittivi di machine learning

Razionale: Gli approcci di Machine Learning (ML) possono migliorare la predizione prognostica dopo frattura di femore (HF) catturando relazioni complesse tra fattori di rischio multidimensionali. Tuttavia, rimane incerto se una maggiore complessità del modello si traduca in vantaggi clinicamente significativi rispetto a modelli più semplici e interpretabili. Abbiamo confrontato algoritmi di ML, regressione convenzionale e uno score prognostico geriatrico parsimonioso per la predizione della mortalità a 24 mesi dopo HF. Metodi: Questo studio prospettico ha incluso 626 pazienti con HF da fragilità arruolati in un Fracture Liaison Service. La coorte è stata suddivisa casualmente in un set di addestramento (70%) e un set di test indipendente (30%). Regressione logistica, LASSO, Random Forest e XGBoost sono stati sviluppati utilizzando sia un set esteso di predittori clinici e geriatrici, sia un set parsimonioso comprendente stato cognitivo, stato nutrizionale, carico di comorbilità e creatinina sierica. L'HIP-G score, precedentemente validato, è stato valutato come termine di confronto. Sono state valutate discriminazione, calibrazione e utilità clinica. Risultati: Complessivamente, 191 pazienti (30.5%) sono deceduti entro 24 mesi. Con il set di predittori esteso, le AUC variavano da 0.788 a 0.817, con XGBoost che ha ottenuto la più alta AUC (0.817), la massima accuratezza bilanciata (0.772) e il minor Brier score (0.163). Con i predittori parsimoniosi, le AUC variavano da 0.718 a 0.757, con l'HIP-G che ha ottenuto l'AUC più elevata (0.757). Nessuna differenza a coppie nella discriminazione è risultata statisticamente significativa. La calibrazione è risultata soddisfacente per tutti i modelli, mentre la decision-curve analysis ha mostrato un'utilità clinica ampiamente comparabile. Lo stato funzionale, l'età e lo stato nutrizionale sono risultati i predittori più influenti nel modello XGBoost esteso. Conclusioni: Una maggiore complessità algoritmica non ha fornito alcun vantaggio clinico sostanziale per la predizione della mortalità a 24 mesi dopo HF. Modelli geriatrici parsimoniosi e interpretabili possono offrire informazioni prognostiche comparabili facilitando al contempo l'implementazione clinica.