Sviluppo e Prevalidazione di un Algoritmo di Predizione Basato sul Machine Learning per il Recupero Funzionale Precoce nei Pazienti Sottoposti a Chirurgia di Sostituzione dell'Anca e del Ginocchio (FISIO_IA)

Questo studio osservazionale mira a sviluppare e pre-validare un algoritmo di machine learning per prevedere il recupero precoce della mobilità e la durata della degenza ospedaliera in pazienti sottoposti ad artroplastica elettiva dell'anca o del ginocchio. Lo studio include una fase retrospettiva (2020-2023) utilizzando dati clinici e fisioterapici esistenti, e una fase prospettica (marzo 2026-dicembre 2027) per validare il modello nella pratica clinica di routine.

Raccolta dei dati e outcome:

Recupero della mobilità: valutato dalla capacità di salire e scendere tre gradini entro i primi quattro giorni postoperatori, registrato nel diario fisioterapico e nella cartella clinica elettronica.

Durata della degenza: considerata regolare se la dimissione avviene entro il quinto giorno postoperatorio; degenze più lunghe sono definite prolungate.

Predittori: Dati demografici basali (età, sesso, BMI, punteggio ASA, emoglobina preoperatoria) e caratteristiche cliniche/perioperatorie (tipo di intervento e anestesia, inizio della fisioterapia, livello di dolore, uso del catetere urinario, intolleranza ortostatica).

Dimensione del campione: 943 pazienti totali (600 retrospettivi, 343 prospettici), basata sui requisiti di sviluppo del modello e sulla stima dell'AUROC.

Analisi dei dati: Il dataset sarà suddiviso in set di addestramento, validazione e test. Verranno confrontati diversi algoritmi di apprendimento supervisionato (ad es. regressione logistica, random forest, gradient boosting). Le prestazioni del modello saranno valutate utilizzando AUROC, sensibilità, specificità, precisione, punteggio F1 e calibrazione. I dati mancanti saranno gestiti con metodi di imputazione o metodi nativi dell'algoritmo quando supportati.

Validazione del modello: I dati prospettici saranno utilizzati per valutare la discriminazione e la calibrazione del modello e per identificare potenziali bias temporali o clinici. Potrà essere eseguito un riaddestramento utilizzando dataset combinati per migliorare la generalizzabilità.

Flusso dello studio: Pazienti retrospettivi identificati tramite le cartelle ospedaliere; pazienti prospettici identificati nella prima seduta fisioterapica postoperatoria, informati sullo studio e che hanno dato il consenso. I risultati predittivi sono archiviati in un registro separato non accessibile ai clinici curanti.

Centri partecipanti:

IRCCS Istituto Ortopedico Rizzoli, Bologna - arruolamento dei pazienti. Struttura Complessa di Fisica Medica, Arcispedale S. Maria Nuova - analisi dei dati e modellazione AI.