Un modello di intelligenza artificiale sviluppato in Italia consente di stimare, prima dell’intervento chirurgico, il rischio di mortalità specificamente associata al tumore nei pazienti con carcinoma renale non metastatico. Il sistema utilizza informazioni già disponibili durante la normale valutazione preoperatoria e restituisce una previsione personalizzata senza richiedere dati istologici ottenibili soltanto dopo la rimozione della massa.
La possibilità di anticipare la valutazione prognostica rappresenta un passaggio rilevante nella gestione del carcinoma a cellule renali. Nei pazienti con malattia localizzata, la chirurgia costituisce il trattamento principale, ma tumori apparentemente simili per dimensioni e caratteristiche radiologiche possono evolvere in modo molto diverso. Una parte dei pazienti sviluppa infatti una recidiva o una progressione dopo l’operazione, mentre altri presentano un decorso più favorevole. Disporre di una stima del rischio prima dell’intervento può quindi aiutare il medico a definire con maggiore precisione la strategia chirurgica, il successivo programma di sorveglianza e l’eventuale necessità di ulteriori trattamenti.
Il modello è stato costruito utilizzando i dati clinici reali di 2.536 pazienti trattati presso l’IRCCS Ospedale San Raffaele di Milano. La sua capacità predittiva è stata poi verificata su una popolazione indipendente composta da 580 pazienti dell’Azienda Ospedaliero-Universitaria Careggi di Firenze. La validazione esterna è un elemento metodologico importante, perché permette di valutare se le prestazioni dell’algoritmo si mantengono anche su persone curate in un centro diverso da quello in cui il sistema è stato sviluppato.
Per elaborare la previsione vengono considerate soltanto otto variabili preoperatorie: dimensione del tumore, interessamento dei linfonodi, livello di emoglobina, conta delle piastrine, funzionalità renale, età, indice di massa corporea e performance status, cioè una valutazione standardizzata delle condizioni generali e dell’autonomia del paziente. Si tratta di parametri normalmente presenti nella documentazione clinica, senza la necessità di ricorrere a esami sperimentali, sequenziamenti genetici o procedure diagnostiche aggiuntive.
Dal punto di vista tecnico, il sistema combina metodi di machine learning per l’analisi della sopravvivenza, tra cui le random survival forest, con modelli interpretabili di tipo “white box”. Questa impostazione permette non soltanto di produrre un valore di rischio, ma anche di comprendere come ciascuna variabile abbia contribuito al risultato. L’interpretabilità è particolarmente importante in ambito sanitario, dove una previsione algoritmica deve poter essere verificata e contestualizzata dal medico, evitando che la decisione clinica dipenda da una procedura opaca.
Nella coorte di validazione esterna il modello ha raggiunto un C-index pari a 0,88 e un Brier score di 0,02, mostrando prestazioni superiori rispetto al modello prognostico GRANT utilizzato come riferimento. Il C-index misura la capacità di ordinare correttamente i pazienti in base al rischio: un valore più vicino a 1 indica una maggiore capacità discriminante. Il Brier score valuta invece lo scarto tra le probabilità previste e gli eventi effettivamente osservati, con valori più bassi associati a previsioni più accurate. Le prestazioni sono risultate particolarmente rilevanti nella previsione del rischio durante il primo anno successivo alla chirurgia.
Un ulteriore elemento riguarda il processo con cui sono stati preparati i dati clinici. I ricercatori hanno sviluppato una pipeline automatizzata capace di raccogliere, organizzare, controllare e trasformare le informazioni provenienti dalla pratica assistenziale in un dataset utilizzabile dagli algoritmi. Il confronto con la selezione manuale effettuata da un medico esperto ha prodotto risultati sovrapponibili, indicando che l’automazione può ridurre il lavoro necessario per strutturare grandi quantità di dati sanitari senza compromettere la qualità dell’analisi.
L’elaborazione automatizzata ha inoltre identificato due variabili predittive che non erano state incluse nella selezione clinica iniziale. Il risultato mostra come l’intelligenza artificiale possa contribuire anche alla ricerca di nuovi biomarcatori prognostici, individuando relazioni che potrebbero non emergere attraverso i modelli tradizionali o la sola valutazione manuale.
Il sistema è stato reso disponibile tramite un’applicazione web, pensata per favorire ulteriori validazioni presso altri ospedali e centri di ricerca. Non si tratta di uno strumento destinato a sostituire la valutazione dell’urologo o dell’oncologo, ma di un supporto quantitativo da integrare con imaging, condizioni cliniche, preferenze del paziente e giudizio specialistico.
Il valore del modello dipenderà ora dalla capacità di confermarne l’affidabilità su popolazioni più ampie, sistemi sanitari differenti e periodi di osservazione prolungati. La sua struttura essenziale, basata su otto dati già disponibili prima dell’intervento, rende tuttavia concreta la prospettiva di una stratificazione prognostica anticipata, interpretabile e più facilmente integrabile nei percorsi clinici dedicati al tumore del rene.