L'Università di Goteborg ha pubblicato su PLOS Medicine un modello di deep learning che stima chi si romperà il femore entro due anni con un'accuratezza dell'87%. Lo strumento, chiamato FRACTURE-ML, ha analizzato 3.542.647 svedesi over 50 senza chiedere loro nulla: attinge solo ai registri sanitari nazionali già esistenti.
Come funziona il modello svedese
Il team dell'Accademia Sahlgrenska ha partito da 139.980 variabili predittive, diagnosi ospedaliere, prescrizioni farmacologiche, procedure chirurgiche, dati socioeconomici, su una coorte seguita per un periodo mediano di 9 anni, durante i quali si sono verificate 142.327 fratture del femore. Testando architetture DeepSurv, XGBoost e regressioni di Cox, la configurazione principale su 2.500 predittori ha raggiunto un'AUC di 0,89 a un anno e 0,88 a due anni. La sorpresa metodologica: una versione ridotta a soli 35 parametri mantiene un'AUC di 0,87 a due anni e 0,85 a cinque, con età, sesso, volume di prescrizioni nell'ultimo anno, stato civile e disturbi psichiatrici legati all'alcol tra i fattori più pesanti. Contro la prevenzione secondaria basata sui Fracture Liaison Services (AUC 0,55 a due anni), FRACTURE-ML identifica sette volte più soggetti a rischio prima del primo evento: sensibilità 0,84 contro 0,12, come si legge nello studio pubblicato su PLOS Medicine.
Perchè in Italia oggi non è replicabile
Il modello funziona perchè la Svezia dispone di registri sanitari centralizzati e interoperabili su tutta la popolazione, con codici anagrafici univoci che collegano ricoveri, farmaci ed esiti clinici. In Italia questa infrastruttura non esiste ancora. A gennaio 2025 il presidente dell'Istituto Superiore di Sanità Rocco Bellantone e il ministro Orazio Schillaci hanno annunciato l'ipotesi di un registro nazionale delle fratture da fragilità, citando un impatto stimato di 10 miliardi di euro l'anno sulla spesa sanitaria e circa 100.000 ricoveri annui per frattura del femore negli over 65. Un registro operativo, però, non c'è ancora.
Il Fascicolo Sanitario Elettronico resta frammentato regione per regione e il flusso Schede di Dimissione Ospedaliera non copre le prescrizioni farmacologiche territoriali con la stessa granularità del registro svedese. Lo si vede anche a valle del problema: nel Piano Nazionale Esiti 2023 la proporzione di interventi entro 48 ore per frattura del collo del femore si e' fermata a un valore mediano del 59%, sotto lo standard del 60% fissato dal DM 70/2015, con Calabria, Basilicata, Molise e Sardegna intorno al 40%. Il divario nord-sud sulla presa in carico peggiora un quadro epidemiologico che, come si vede nell'analisi sulle ondate di calore e vulnerabilità italiana, colpisce più duramente proprio i pazienti anziani fragili già a rischio di caduta domestica.
Cosa cambierebbe per il SSN se il modello fosse importato
Il potenziale operativo di uno strumento come FRACTURE-ML è concreto. Nella simulazione svedese su 100.000 persone con incidenza quinquennale del 2,3%, impostando la sensibilità all'80%, il modello segnala 24.533 individui da avviare a densitometria ossea (DEXA), abbattendo del 75,5% la platea rispetto a uno screening universale. Tradotto sul contesto italiano: significherebbe indirizzare la MOC solo verso chi ne ha davvero bisogno, invece di seguire le attuali maglie larghe dei criteri LEA. Un modello del genere è utile perchè i danni delle fratture del femore non si esauriscono nell'evento acuto: la mortalità a un anno negli over 65 italiani si attesta intorno al 20%, con picchi del 28% in alcune casistiche regionali.
Il codice di FRACTURE-ML è pubblico su GitHub e Zenodo, e gli autori dichiarano espressamente che serve una validazione esterna su sistemi sanitari diversi da quello svedese. In Italia il primo passo non è però informatico: è costruire il flusso dati che consenta a un algoritmo di leggere prescrizioni, ricoveri e comorbilità di un anziano come un unico percorso, e non come frammenti separati tra assistenza territoriale, ospedale e specialistica ambulatoriale.
Domande frequenti
Cos'è FRACTURE-ML e come funziona?
FRACTURE-ML è un algoritmo di deep learning sviluppato dall'Università di Goteborg che prevede il rischio di frattura del femore entro due anni con un'accuratezza dell'87%. Analizza dati provenienti dai registri sanitari nazionali svedesi, utilizzando variabili cliniche e socioeconomiche senza necessità di interazione diretta con i pazienti.
Perché il modello FRACTURE-ML non è al momento applicabile nel SSN italiano?
In Italia manca un'infrastruttura di registri sanitari centralizzati e interoperabili come quella svedese. Il Fascicolo Sanitario Elettronico è ancora frammentato tra le regioni e i dati clinici, farmaceutici e di ricovero non sono integrati a livello nazionale.
Quali sono i vantaggi di FRACTURE-ML rispetto ai metodi attuali di prevenzione delle fratture?
FRACTURE-ML identifica fino a sette volte più soggetti a rischio rispetto ai Fracture Liaison Services e consente di indirizzare gli esami diagnostici solo ai pazienti realmente a rischio. Questo comporterebbe una riduzione significativa degli screening inutili e una maggiore efficacia nella prevenzione delle fratture.
Cosa servirebbe in Italia per implementare un modello simile a FRACTURE-ML?
È necessario sviluppare un flusso dati centralizzato che integri prescrizioni, ricoveri e comorbilità in un unico percorso per ciascun paziente. Solo così un algoritmo come FRACTURE-ML potrebbe essere validato e utilizzato efficacemente nel contesto sanitario italiano.
Qual è l'impatto delle fratture del femore sul sistema sanitario italiano?
Le fratture del femore comportano circa 100.000 ricoveri annui tra gli over 65 e un impatto stimato di 10 miliardi di euro l'anno sulla spesa sanitaria. Inoltre, la mortalità a un anno dopo una frattura del femore si aggira intorno al 20%, con picchi del 28% in alcune regioni.
Il codice di FRACTURE-ML è disponibile pubblicamente?
Sì, il codice di FRACTURE-ML è pubblico su GitHub e Zenodo, ma necessita di una validazione esterna su sistemi sanitari diversi da quello svedese per essere applicato altrove.
