{"id":656094,"date":"2026-08-30T07:04:19","date_gmt":"2026-08-30T07:04:19","guid":{"rendered":"https:\/\/www.europesays.com\/it\/656094\/"},"modified":"2026-08-30T07:04:19","modified_gmt":"2026-08-30T07:04:19","slug":"fratture-del-femore-unapplicazione-ia-le-predice-prima-che-accadano","status":"publish","type":"post","link":"https:\/\/www.europesays.com\/it\/656094\/","title":{"rendered":"Fratture del femore: un\u2019applicazione IA le predice prima che accadano"},"content":{"rendered":"

Prevedere chi rischia di rompersi un femore o l\u2019anca prima ancora che avvenga la prima caduta. \u00c8 questa la nuova sfida dell’assistenza agli anziani superata da FRACTURE-ML<\/strong>, un algoritmo descritto su PLOS Medicine<\/strong> che identifica i soggetti a rischio analizzando semplicemente i dati sanitari gi\u00e0 presenti nei database pubblici.<\/p>\n

Il problema: una prevenzione arrivata spesso in ritardo<\/strong><\/p>\n

Le fratture del femore e dell\u2019anca<\/strong> sono tra le prime cause di perdita dell’autonomia<\/strong> e aumento della mortalit\u00e0<\/strong> nei pazienti anziani. Farmaci mirati e programmi di prevenzione possono ridurne drasticamente l’incidenza, ma gli strumenti attuali (come il test FRAX<\/strong>) richiedono questionari complessi, misurazioni di densit\u00e0 ossea e visite dirette. Risultato? Spesso la prevenzione arriva quando la prima frattura si \u00e8 gi\u00e0 verificata.<\/p>\n

\"\"<\/p>\n

Come funziona FRACTURE-ML<\/strong><\/p>\n

I ricercatori dell\u2019Universit\u00e0 di G\u00f6teborg<\/strong> hanno sviluppato il modello analizzando i dati dei registri nazionali svedesi relativi a 3,5 milioni di persone<\/strong> over 50.<\/p>\n

Nessun esame preventivo:<\/strong> L’algoritmo attinge solo a diagnosi pregresse, prescrizioni farmaceutiche e dati demografici gi\u00e0 archiviati.<\/p>\n

Filtro su vasta scala:<\/strong> Ha analizzato inizialmente circa 140.000 variabili<\/strong>, riducendole a un modello semplificato basato su sole 35 variabili chiave<\/strong>.<\/p>\n

Elevata accuratezza:<\/strong> Il modello ha dimostrato una capacit\u00e0 predittiva (AUC) di 0,88 a un anno<\/strong> e di 0,85 a cinque anni<\/strong>.<\/p>\n

Sensibilit\u00e0 da record, ma con il nodo dei “falsi allarmi”<\/strong><\/p>\n

Messo alla prova nella prevenzione a due anni, FRACTURE-ML ha battuto nettamente i metodi tradizionali:<\/p>\n

Sensibilit\u00e0 dell\u201984%<\/strong> (contro il 12% dei sistemi post-frattura): individua quasi 7 volte pi\u00f9 persone a rischio.<\/p>\n

Specificit\u00e0 inferiore (79%):<\/strong> Genera un numero elevato di “falsi positivi”. Trattandosi di un evento raro, solo il 7-8%<\/strong> di chi viene segnalato come “ad alto rischio” subir\u00e0 effettivamente una frattura nei 5 anni successivi.<\/p>\n

Filtro di screening, non diagnosi automatica<\/strong><\/p>\n

Proprio per la presenza di falsi positivi, gli esperti chiariscono che il sistema non deve emettere diagnosi o ricette automatiche. L’algoritmo \u00e8 pensato come un primo filtro di popolazione<\/strong>: segnala alle strutture sanitarie i soggetti da invitare a una MOC (densitometria ossea) o a un consulto medico approfondito.<\/p>\n

I limiti e i prossimi passi<\/strong><\/p>\n

Trattandosi di uno studio retrospettivo<\/strong> condotto solo in Svezia (dove l’anagrafe sanitaria \u00e8 eccezionalmente centralizzata), serviranno nuove verifiche in altri Paesi. Prima dell’uso clinico reale occorrer\u00e0 confermare due aspetti chiave:<\/p>\n

1.<\/strong> Che i sistemi sanitari locali abbiano dati sufficientemente integrati.<\/p>\n

2.<\/strong> Che l’uso dell’algoritmo riduca davvero il numero complessivo di fratture senza intasare gli ospedali con esami non necessari.<\/p>\n

Conclusione<\/strong><\/p>\n

FRACTURE-ML<\/strong> dimostra che le informazioni che gi\u00e0 forniamo al sistema sanitario possono trasformarsi in uno scudo di prevenzione attiva. La vera sfida futura non sar\u00e0 solo calcolare il rischio con l’intelligenza artificiale, ma tradurre quella stima in interventi medici sostenibili e tempestivi.<\/p>\n

\"\"<\/p>\n

Fonti Scientifiche<\/strong><\/p>\n

Studio principale:<\/strong> Axelsson K.F., Litsne H., Konstantinou K. et al. \u201cA clinical decision support tool for accurate hip fracture prediction: A nationwide cohort study\u201d. PLOS Medicine<\/strong>. 2026;23(8):e1005190. DOI: 10.1371\/journal.pmed.1005190<\/strong>.<\/p>\n

Codice sorgente:<\/strong> Archivio Zenodo<\/strong> (FRACTURE-ML release).<\/p>\n

Benchmark:<\/strong> Kanis J.A. et al., Strumento di valutazione del rischio FRAX<\/strong> \u2013 University of Sheffield.<\/p>\n

\"\"<\/p>\n

ARTICOLO COMPLETO<\/strong><\/p>\n

Riconoscere le persone a rischio di frattura del femore prima che si verifichi il primo incidente \u00e8 una delle grandi sfide dell\u2019assistenza agli anziani. Un modello pubblicato su PLOS Medicine<\/strong> utilizza diagnosi, prescrizioni e informazioni demografiche gi\u00e0 presenti nei registri sanitari, senza richiedere inizialmente esami o questionari.<\/p>\n

Le fratture del femore possono determinare perdita dell\u2019autonomia, ricoveri prolungati, necessit\u00e0 di assistenza e aumento della mortalit\u00e0. Farmaci per l\u2019osteoporosi e programmi di prevenzione delle cadute possono ridurne il rischio, ma molti pazienti vengono identificati soltanto dopo avere gi\u00e0 subito una frattura.<\/p>\n

Gli strumenti tradizionali, come FRAX<\/strong>, integrano et\u00e0, storia clinica, peso, altezza, fumo, consumo di alcol e, quando disponibile, densit\u00e0 minerale ossea. Queste informazioni richiedono generalmente il coinvolgimento diretto della persona e rendono pi\u00f9 complesso uno screening di intere popolazioni.<\/p>\n

I ricercatori dell\u2019Universit\u00e0 di G\u00f6teborg<\/strong> hanno sviluppato FRACTURE-ML<\/strong> utilizzando i registri nazionali svedesi. La coorte comprendeva 3.542.647 persone<\/strong> di almeno 50 anni che non avevano ricevuto farmaci contro l\u2019osteoporosi nei due anni precedenti. Durante il follow-up, concluso nel 2021, sono state registrate 142.327 fratture<\/strong> del femore.<\/p>\n

Il sistema iniziale ha considerato 139.980 possibili variabili<\/strong> ricavate da diagnosi, farmaci, procedure, dati demografici e condizioni socioeconomiche. La popolazione \u00e8 stata divisa in gruppi separati per esplorazione, sviluppo e verifica finale.<\/p>\n

Il modello di apprendimento profondo con 2.500 variabili<\/strong> ha raggiunto un\u2019area sotto la curva, o AUC, di 0,89 nella previsione a un anno<\/strong> e di 0,85 a cinque anni<\/strong>. Un\u2019AUC pari a 1 indica una separazione perfetta fra chi subir\u00e0 e chi non subir\u00e0 l\u2019evento; 0,5 corrisponde sostanzialmente al caso.<\/p>\n

Un modello semplificato basato su 35 variabili<\/strong> ha mantenuto prestazioni molto simili: AUC di 0,88 a un anno<\/strong> e di 0,85 a cinque anni<\/strong>. Anche modelli statistici convenzionali di Cox hanno raggiunto risultati vicini a quelli dell\u2019apprendimento profondo. La complessit\u00e0 dell\u2019intelligenza artificiale, dunque, non costituiva da sola la ragione delle buone prestazioni.<\/p>\n

Nella previsione a due anni, FRACTURE-ML<\/strong> raggiungeva una sensibilit\u00e0 dell\u201984%<\/strong>, contro il 12%<\/strong> dell\u2019approccio basato sui servizi che identificano i pazienti dopo una frattura recente. La specificit\u00e0 era per\u00f2 inferiore: 79%<\/strong> contro 98%<\/strong>.<\/p>\n

Il sistema individuava quasi sette volte pi\u00f9 persone destinate a subire una frattura, ma generava anche molti pi\u00f9 falsi positivi. Poich\u00e9 l\u2019evento rimane relativamente raro, una classificazione di alto rischio non equivale alla certezza di fratturarsi. Nella previsione a cinque anni, con una sensibilit\u00e0 dell\u201980%, soltanto il 6,7\u20137,9%<\/strong> delle persone segnalate avrebbe effettivamente subito una frattura.<\/p>\n

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.<\/p>\n

Lo studio \u00e8 retrospettivo ed \u00e8 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.<\/p>\n

Manca inoltre una validazione esterna e non \u00e8 stato ancora dimostrato che l\u2019impiego dell\u2019algoritmo riduca realmente le fratture. Un programma troppo esteso potrebbe generare visite ed esami non necessari o amplificare disuguaglianze gi\u00e0 presenti nei dati.<\/p>\n

CONCLUSIONE<\/strong><\/p>\n

FRACTURE-ML<\/strong> mostra che i dati gi\u00e0 raccolti dal sistema sanitario possono essere trasformati in uno strumento di prevenzione attiva. Il passaggio decisivo non sar\u00e0 per\u00f2 prevedere meglio il rischio, ma dimostrare che la previsione conduce a interventi appropriati, sostenibili e capaci di evitare fratture senza medicalizzare inutilmente persone sane.<\/p>\n

FONTI (REFERENZE SCIENTIFICHE)<\/strong><\/p>\n

Axelsson K.F., Litsne H., Konstantinou K. et al. \u201cA clinical decision support tool for accurate hip fracture prediction: A nationwide cohort study\u201d. PLOS Medicine<\/strong>. 2026;23(8):e1005190. DOI: 10.1371\/journal.pmed.1005190<\/strong>.<\/p>\n

Codice utilizzato per lo sviluppo di FRACTURE-ML<\/strong>. Archivio Zenodo<\/strong>.<\/p>\n

Kanis J.A. et al. Strumento per la valutazione del rischio di frattura. FRAX<\/strong> \u2013 University of Sheffield<\/p>\n","protected":false},"excerpt":{"rendered":"Prevedere chi rischia di rompersi un femore o l\u2019anca prima ancora che avvenga la prima caduta. \u00c8 questa…\n","protected":false},"author":3,"featured_media":656095,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":"","_share_on_mastodon":"0"},"categories":[175],"tags":[361988,360410,361992,361993,361994,361987,193985,239,1537,90,89,361990,361989,87425,340975,240,8864,361986,361991],"class_list":["post-656094","post","type-post","status-publish","format-standard","has-post-thumbnail","category-salute","tag-axelsson-k-f","tag-fracture-ml","tag-fratture-del-bacino","tag-fratture-del-femore","tag-fratture-dellanca","tag-frax","tag-goteborg","tag-health","tag-it","tag-italia","tag-italy","tag-konstantinou-k","tag-litsne-h","tag-osteoporosi","tag-plos-medicine","tag-salute","tag-svezia","tag-universita-di-goteborg","tag-zenodo"],"share_on_mastodon":{"url":"https:\/\/pubeurope.com\/@it\/117183190399532360","error":""},"_links":{"self":[{"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/posts\/656094","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/comments?post=656094"}],"version-history":[{"count":0,"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/posts\/656094\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/media\/656095"}],"wp:attachment":[{"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/media?parent=656094"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/categories?post=656094"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/tags?post=656094"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}