Analisi dei ricoveri causativi di reingresso con un algoritmo IA/machine learning: caratterizzazione clinica ed economica

L’early discharge rappresenta un rischio sia per il paziente, che si ritrova in un setting inadeguato ai suoi bisogni correnti di salute, sia per l’impresa sanitaria, che può incorrere in un secondo ricovero a distanza di breve tempo o in un reclamo che sfocia sempre più di frequente in un sinistro da malpractice, con notevoli costi di gestione. Infatti, molti sistemi sanitari regionali implementano controlli ad hoc sui ricoveri ripetuti, che esitano spesso in abbattimenti economici. È altresì noto da letteratura che i pazienti in reingresso presentano molto frequentemente condizioni cliniche peggiori rispetto all’ammissione nel primo ricovero, assorbendo molte più risorse e risultando in un DRG di maggior peso. Identificare con accuratezza e prima della dimissione questi casi permetterebbe di evitare rischi inutili per i pazienti e di ottimizzare le risorse sanitarie, evitando al contempo abbattimenti della valorizzazione. Sono stati analizzati 15.093 ricoveri di pazienti ultrasessantacinquenni in regime ordinario dell’AOU di Novara relativi all’anno 2023 alla ricerca dei casi che hanno dato seguito a un reingresso entro 30 giorni per il medesimo MDC. Sono state escluse le discipline di riabilitazione, psichiatria, oncoematologia. Abbiamo addestrato un modello di intelligenza artificiale supervisionato extreme gradient boost (XgBoost) tree per identificare i ricoveri con potenziale “early discharge” e analizzato l’importanza delle features calcolando gli shap (SHapley Additive exPlanations) values, al fine di ottenere una classifica delle caratteristiche maggiormente rilevanti nel causare un potenziale reingresso. Il dataset è stato splittato 80/20 ed è stata condotta una 5 fold cross validation, previa correzione della class imbalance. Le analisi sono state condotte con R ed RStudio ed i pacchetti: caret, xgboost e tidyverse. Sono stati identificati 301 reingressi con una valorizzazione lorda totale (pre-abbattimento) pari a 1.818.202 euro ed un peso medio di 1,79. Il modello IA finale per identificare i ricoveri causativi ha riportato sul test set una accuratezza dell’86,33% (95% CI: 84,36-88,14)). Le caratteristiche maggiormente rilevanti secondo la metrica SHAP sono state la provenienza programmata dell’assistito (SHAP medio 0,159), il genere maschile (0,082), una età compresa tra 85 e 90 anni (0,076) e la presenza della procedura di diagnostica ecografica dell’apparato digerente (ICD procedura 8874, valore SHAP medio 0,068). Il modello IA al momento attuale non ha ancora una performance sufficiente per una implementazione pratica, ma permette solo una migliore comprensione delle caratteristiche del ricovero causativo. Il gruppo di ricerca sta implementando progressivamente le principali tecniche di miglioramento della performance per consentire un utilizzo predittivo.