La frattura dell’anca viene percepita come un evento improvviso: si perde l’equilibrio, si cade e, in pochi secondi, si entra nel percorso del ricovero e dell’intervento chirurgico. Tuttavia, ciò che appare istantaneo può essere preceduto da segnali disseminati lungo anni di storia sanitaria. È questa la tesi su cui si fonda FRACTURE-ML, il modello descritto il 27 agosto su PLOS Medicine: utilizzare le informazioni già raccolte dal sistema sanitario per individuare, prima della caduta, le persone che presentano un rischio maggiore.
Occorre chiarire subito una distinzione essenziale. Prevedere non significa spiegare, e tanto meno stabilire un rapporto diretto di causa ed effetto. Età, sesso, prescrizioni farmacologiche, stato civile o diagnosi psichiatriche associate all’alcol possono contribuire a delineare un profilo di rischio, ma non per questo sono necessariamente la causa della futura frattura. Il compito del modello non è emettere un verdetto sul singolo individuo; è riconoscere, in una popolazione molto ampia, combinazioni di caratteristiche che meritano un approfondimento clinico.
Lo studio ha incluso 3.542.647 residenti svedesi di almeno 50 anni, osservati per un periodo mediano di circa nove anni. In questo arco di tempo, 142.327 persone hanno subito una frattura dell’anca. Il dato è importante non soltanto per la dimensione della popolazione esaminata, ma anche perché la previsione non ha richiesto nuovi esami: i ricercatori hanno lavorato su diagnosi, farmaci prescritti, procedure sanitarie e informazioni demografiche e socioeconomiche già presenti nei registri nazionali.
Innanzitutto, la ricchezza delle informazioni. Da quasi 140 mila variabili possibili, considerate anche in differenti finestre temporali, il modello di deep learning più esteso ne ha utilizzate 2.500. Una versione ridotta a 35 variabili ha però conservato prestazioni non molto inferiori. Questo risultato suggerisce una considerazione prudente ma rilevante: il valore dello strumento potrebbe dipendere non solo dalla complessità dell’intelligenza artificiale, bensì dalla profondità, dalla continuità e dall’organizzazione dei dati sanitari disponibili.
In secondo luogo, conta la capacità di distinguere chi avrebbe subito la frattura da chi non l’avrebbe subita. Nel campione separato usato per la verifica, il modello ha raggiunto a un anno un’AUC di 0,89, dove 0,5 corrisponde sostanzialmente a una classificazione casuale e 1 a una separazione perfetta; a cinque anni il valore rimaneva pari a 0,85. Sono risultati considerevoli. Ciò non toglie tuttavia che anche i modelli statistici tradizionali abbiano ottenuto prestazioni vicine. Sarebbe quindi improprio trasformare questo studio nell’ennesima celebrazione di una tecnologia onnipotente: talvolta il progresso risiede meno nell’algoritmo che nella capacità di collegare e interpretare bene informazioni già esistenti.
La terza considerazione riguarda il confronto con un criterio di prevenzione secondaria, basato su una frattura avvenuta nell’anno precedente e impiegato nello studio per rappresentare l’approccio dei Fracture Liaison Services. A due anni FRACTURE-ML ha mostrato una sensibilità dell’84 per cento, contro il 12 per cento di tale criterio. In altre parole, alla soglia scelta dai ricercatori, individuava circa 84 persone su 100 che avrebbero effettivamente subito una frattura dell’anca, mentre il criterio precedente ne riconosceva 12. Dire che il modello trovava quasi sette volte più casi futuri è corretto; sostenere che fosse sette volte più preciso in senso assoluto non lo sarebbe.
Perché questa precisazione è necessaria? Perché ogni programma di screening comporta una scelta fra rischi diversi. Aumentando la sensibilità, cioè la capacità di non lasciarsi sfuggire le persone che subiranno la frattura, diminuisce in genere la specificità, vale a dire la capacità di non segnalare chi invece non la subirà. Nello studio, la specificità passava dal 98 al 79 per cento. Si intercettavano dunque più casi veri, ma aumentavano anche i falsi allarmi e, con essi, la necessità di ulteriori valutazioni. Non è un difetto occulto dell’analisi: è il problema concreto che medici e strutture sanitarie devono affrontare quando trasformano una previsione statistica in una decisione assistenziale.
Ecco allora quale potrebbe essere la funzione dello strumento. Il modello potrebbe esaminare in modo automatico i registri, selezionare le persone per le quali appare opportuno un controllo e affidare poi alla medicina clinica ciò che le compete: la densitometria ossea, la valutazione dell’equilibrio e della funzione fisica, gli interventi per ridurre le cadute o il trattamento dell’osteoporosi. Non una cura decisa dalla macchina, dunque, ma un sistema di allerta che consenta di indirizzare attenzione e risorse là dove il rischio appare maggiore.
Il condizionale, però, è decisivo. Il modello è stato verificato su una parte distinta della medesima popolazione svedese, ma non ancora in Paesi e sistemi sanitari differenti. Mancavano inoltre informazioni dirette su peso, altezza, fumo, attività fisica e consumo di alcol. Soprattutto, non è stato ancora dimostrato che l’impiego pratico di FRACTURE-ML riduca realmente il numero delle fratture. Una buona capacità predittiva è una condizione necessaria per costruire un intervento utile, non la prova che quell’intervento produrrà un beneficio sanitario.
Per ora, dunque, FRACTURE-ML non impedisce una caduta: costruisce una lista più razionale di persone da osservare con maggiore attenzione. La promessa, se gli studi futuri la confermeranno, è spostare la frattura dell’anca dall’emergenza alla prevenzione, dal momento in cui tutto è già accaduto al tempo più difficile e prezioso in cui qualcosa può ancora essere fatto. È nel passaggio dal dato alla cura — e dalla previsione a interventi realmente efficaci — che il modello dovrà dimostrare la propria utilità.
⸻
Axelsson K.F. et al., “A clinical decision support tool for accurate hip fracture prediction: A nationwide cohort study”, PLOS Medicine, 27 agosto 2026, DOI: 10.1371/journal.pmed.1005190.