Prevedere chi rischia di rompersi un femore o l’anca prima ancora che avvenga la prima caduta. È questa la nuova sfida dell’assistenza agli anziani superata da FRACTURE-ML, un algoritmo descritto su PLOS Medicine che identifica i soggetti a rischio analizzando semplicemente i dati sanitari già presenti nei database pubblici.
Il problema: una prevenzione arrivata spesso in ritardo
Le fratture del femore e dell’anca sono tra le prime cause di perdita dell’autonomia e aumento della mortalità nei pazienti anziani. Farmaci mirati e programmi di prevenzione possono ridurne drasticamente l’incidenza, ma gli strumenti attuali (come il test FRAX) richiedono questionari complessi, misurazioni di densità ossea e visite dirette. Risultato? Spesso la prevenzione arriva quando la prima frattura si è già verificata.
Come funziona FRACTURE-ML
I ricercatori dell’Università di Göteborg hanno sviluppato il modello analizzando i dati dei registri nazionali svedesi relativi a 3,5 milioni di persone over 50.
Nessun esame preventivo: L’algoritmo attinge solo a diagnosi pregresse, prescrizioni farmaceutiche e dati demografici già archiviati.
Filtro su vasta scala: Ha analizzato inizialmente circa 140.000 variabili, riducendole a un modello semplificato basato su sole 35 variabili chiave.
Elevata accuratezza: Il modello ha dimostrato una capacità predittiva (AUC) di 0,88 a un anno e di 0,85 a cinque anni.
Sensibilità da record, ma con il nodo dei “falsi allarmi”
Messo alla prova nella prevenzione a due anni, FRACTURE-ML ha battuto nettamente i metodi tradizionali:
Sensibilità dell’84% (contro il 12% dei sistemi post-frattura): individua quasi 7 volte più persone a rischio.
Specificità inferiore (79%): Genera un numero elevato di “falsi positivi”. Trattandosi di un evento raro, solo il 7-8% di chi viene segnalato come “ad alto rischio” subirà effettivamente una frattura nei 5 anni successivi.
Filtro di screening, non diagnosi automatica
Proprio per la presenza di falsi positivi, gli esperti chiariscono che il sistema non deve emettere diagnosi o ricette automatiche. L’algoritmo è pensato come un primo filtro di popolazione: segnala alle strutture sanitarie i soggetti da invitare a una MOC (densitometria ossea) o a un consulto medico approfondito.
I limiti e i prossimi passi
Trattandosi di uno studio retrospettivo condotto solo in Svezia (dove l’anagrafe sanitaria è eccezionalmente centralizzata), serviranno nuove verifiche in altri Paesi. Prima dell’uso clinico reale occorrerà confermare due aspetti chiave:
1. Che i sistemi sanitari locali abbiano dati sufficientemente integrati.
2. Che l’uso dell’algoritmo riduca davvero il numero complessivo di fratture senza intasare gli ospedali con esami non necessari.
Conclusione
FRACTURE-ML dimostra che le informazioni che già forniamo al sistema sanitario possono trasformarsi in uno scudo di prevenzione attiva. La vera sfida futura non sarà solo calcolare il rischio con l’intelligenza artificiale, ma tradurre quella stima in interventi medici sostenibili e tempestivi.
Fonti Scientifiche
Studio principale: Axelsson K.F., Litsne H., Konstantinou K. et al. “A clinical decision support tool for accurate hip fracture prediction: A nationwide cohort study”. PLOS Medicine. 2026;23(8):e1005190. DOI: 10.1371/journal.pmed.1005190.
Codice sorgente: Archivio Zenodo (FRACTURE-ML release).
Benchmark: Kanis J.A. et al., Strumento di valutazione del rischio FRAX – University of Sheffield.
ARTICOLO COMPLETO
Riconoscere le persone a rischio di frattura del femore prima che si verifichi il primo incidente è una delle grandi sfide dell’assistenza agli anziani. Un modello pubblicato su PLOS Medicine utilizza diagnosi, prescrizioni e informazioni demografiche già presenti nei registri sanitari, senza richiedere inizialmente esami o questionari.
Le fratture del femore possono determinare perdita dell’autonomia, ricoveri prolungati, necessità di assistenza e aumento della mortalità. Farmaci per l’osteoporosi e programmi di prevenzione delle cadute possono ridurne il rischio, ma molti pazienti vengono identificati soltanto dopo avere già subito una frattura.
Gli strumenti tradizionali, come FRAX, integrano età, storia clinica, peso, altezza, fumo, consumo di alcol e, quando disponibile, densità minerale ossea. Queste informazioni richiedono generalmente il coinvolgimento diretto della persona e rendono più complesso uno screening di intere popolazioni.
I ricercatori dell’Università di Göteborg hanno sviluppato FRACTURE-ML utilizzando i registri nazionali svedesi. La coorte comprendeva 3.542.647 persone di almeno 50 anni che non avevano ricevuto farmaci contro l’osteoporosi nei due anni precedenti. Durante il follow-up, concluso nel 2021, sono state registrate 142.327 fratture del femore.
Il sistema iniziale ha considerato 139.980 possibili variabili ricavate da diagnosi, farmaci, procedure, dati demografici e condizioni socioeconomiche. La popolazione è stata divisa in gruppi separati per esplorazione, sviluppo e verifica finale.
Il modello di apprendimento profondo con 2.500 variabili ha raggiunto un’area sotto la curva, o AUC, di 0,89 nella previsione a un anno e di 0,85 a cinque anni. Un’AUC pari a 1 indica una separazione perfetta fra chi subirà e chi non subirà l’evento; 0,5 corrisponde sostanzialmente al caso.
Un modello semplificato basato su 35 variabili ha mantenuto prestazioni molto simili: AUC di 0,88 a un anno e di 0,85 a cinque anni. Anche modelli statistici convenzionali di Cox hanno raggiunto risultati vicini a quelli dell’apprendimento profondo. La complessità dell’intelligenza artificiale, dunque, non costituiva da sola la ragione delle buone prestazioni.
Nella previsione a due anni, FRACTURE-ML raggiungeva una sensibilità dell’84%, contro il 12% dell’approccio basato sui servizi che identificano i pazienti dopo una frattura recente. La specificità era però inferiore: 79% contro 98%.
Il sistema individuava quasi sette volte più persone destinate a subire una frattura, ma generava anche molti più falsi positivi. Poiché l’evento rimane relativamente raro, una classificazione di alto rischio non equivale alla certezza di fratturarsi. Nella previsione a cinque anni, con una sensibilità dell’80%, soltanto il 6,7–7,9% delle persone segnalate avrebbe effettivamente subito una frattura.
Un simile strumento potrebbe essere usato come primo filtro: le persone selezionate verrebbero successivamente invitate a una valutazione clinica, alla densitometria ossea o a interventi contro il rischio di caduta. Non dovrebbe invece produrre automaticamente diagnosi o prescrizioni.
Lo studio è retrospettivo ed è stato condotto interamente in Svezia, dove i registri sanitari sono particolarmente completi e collegabili attraverso un identificativo personale. Le prestazioni potrebbero cambiare in sistemi con dati frammentati o popolazioni diverse.
Manca inoltre una validazione esterna e non è stato ancora dimostrato che l’impiego dell’algoritmo riduca realmente le fratture. Un programma troppo esteso potrebbe generare visite ed esami non necessari o amplificare disuguaglianze già presenti nei dati.
CONCLUSIONE
FRACTURE-ML mostra che i dati già raccolti dal sistema sanitario possono essere trasformati in uno strumento di prevenzione attiva. Il passaggio decisivo non sarà però prevedere meglio il rischio, ma dimostrare che la previsione conduce a interventi appropriati, sostenibili e capaci di evitare fratture senza medicalizzare inutilmente persone sane.
FONTI (REFERENZE SCIENTIFICHE)
Axelsson K.F., Litsne H., Konstantinou K. et al. “A clinical decision support tool for accurate hip fracture prediction: A nationwide cohort study”. PLOS Medicine. 2026;23(8):e1005190. DOI: 10.1371/journal.pmed.1005190.
Codice utilizzato per lo sviluppo di FRACTURE-ML. Archivio Zenodo.
Kanis J.A. et al. Strumento per la valutazione del rischio di frattura. FRAX – University of Sheffield