Un nuovo modello clinico sviluppato nel Regno Unito offre una svolta nella capacità di prevedere la psicosi e il disturbo bipolare con dati real-world provenienti dalle cartelle cliniche elettroniche dei servizi di salute mentale del South London and Maudsley (SLaM), come riportato dallo studio conforme a RECORD e TRIPOD+AI pubblicato dall’istituzione stessa sulla prestigiosa rivista The Lancet Psychiatry.
Il modello transdiagnostico mira a identificare il rischio individuale di sviluppare disturbi psicotici o disturbo bipolare entro sei anni, spostando l’attenzione dalla diagnosi tardiva alla prevenzione proattiva. Questa strategia amplifica l’impatto della diagnosi precoce della psicosi, soprattutto tra i giovani, permettendo interventi mirati e tempestivi.
I dati dello studio, raccolti tra il 1° gennaio 2008 e il 10 agosto 2021 con un follow-up medio di 622 giorni (SD 687), mostrano una rilevante utilità clinica stimata in circa 3 casi aggiuntivi individuati ogni 100 pazienti screenati.
Punti chiave
- Il modello britannico utilizza dati SLaM per prevedere il rischio transdiagnostico di psicosi e disturbo bipolare.
- Obiettivo pratico: migliorare la diagnosi precoce psicosi e abilitare interventi preventivi.
- Periodo di studio: 2008–2021; follow-up medio 622 giorni.
- Performance robusta: C-index 0,80 e buona calibrazione.
- Impatto clinico: circa 3 casi aggiuntivi identificati ogni 100 persone sottoposte a screening.
- Il rischio transdiagnostico aumenta l’efficacia della prevenzione per condizioni correlate.
Panoramica del modello britannico per la diagnosi precoce
Il cuore del progetto è un approccio transdiagnostico. In medicina, questo termine indica un metodo che non guarda a una singola malattia (come solo la schizofrenia), ma analizza i sintomi comuni a più disturbi correlati. L’obiettivo è identificare il rischio individuale integrando l’esperienza dei medici con la potenza dell’informatica sanitaria.
Origine e contesto dello studio
La ricerca è stata condotta nel Regno Unito utilizzando i dati del SLaM, uno dei servizi di salute mentale più importanti al mondo. Per garantire che i risultati fossero affidabili e trasparenti, i ricercatori hanno seguito protocolli internazionali rigorosi:
- RECORD: Standard per l’uso di dati sanitari raccolti abitualmente.
- TRIPOD+AI: Linee guida per lo sviluppo di modelli di previsione basati sull’intelligenza artificiale.
L’uso di cartelle cliniche elettroniche ha permesso di analizzare una popolazione vasta e variegata, garantendo che il modello rifletta la realtà quotidiana degli ospedali.
Obiettivi: rilevare il rischio tra psicosi e disturbo bipolare
Il modello è stato progettato per stimare la probabilità che un paziente, inizialmente senza diagnosi gravi, sviluppi un disturbo psicotico o bipolare entro sei anni. Questo aiuta a evitare la “frammentazione diagnostica”, ovvero il rischio di curare i sintomi isolati senza vedere il quadro generale del rischio futuro.
Importanza della diagnosi precoce per i giovani
Sebbene l’età media della popolazione studiata sia di circa 33 anni, il modello ha un valore inestimabile per i giovani. Intervenire tempestivamente in questa fascia d’età significa ridurre i ricoveri, migliorare il percorso scolastico o lavorativo e, in definitiva, garantire una qualità di vita superiore a lungo termine.
Prevedere la psicosi: come funziona il modello
Il sistema valuta la probabilità individuale basandosi sui dati clinici raccolti nei sei mesi precedenti alla valutazione.
- Definizione operativa e follow-up: Il rischio è calcolato su un arco di 6 anni. Nello studio, i pazienti sono stati seguiti mediamente per 622 giorni, ma i dati sono stati proiettati su base esennale per uniformarli agli standard di prevenzione a medio termine.
- Incidenza osservata: Su oltre 127.000 pazienti, circa l’8,27% ha sviluppato un disturbo nei sei anni successivi.
- Impatto clinico: Lo screening ha dimostrato di poter individuare 3 casi aggiuntivi ogni 100 pazienti rispetto ai metodi di valutazione standard. Può sembrare un numero piccolo, ma su scala nazionale rappresenta migliaia di persone che possono ricevere aiuto prima di una crisi.
Dati e popolazione utilizzata
Lo studio si basa su una coorte (un gruppo di soggetti con caratteristiche comuni) di 127.868 pazienti. La distribuzione demografica è quasi perfettamente divisa tra uomini (50,8%) e donne (49%), con una significativa varietà etnica, elemento cruciale per garantire che il modello funzioni per tutti.
| Caratteristica | Valore / Percentuale |
| Totale pazienti | 127.868 |
| Maschi / Femmine | 50,8% / 49,0% |
| Età media | 33,4 anni |
| Etnia Bianca | 55,8% |
| Etnia Nera | 14,1% |
I ricercatori hanno escluso chi assumeva già farmaci pesanti (come la clozapina) per assicurarsi che il modello imparasse a riconoscere i “nuovi” casi e non persone già in trattamento avanzato.
Metodologia statistica e Intelligenza Artificiale
Per rendere il modello preciso, sono state usate due tecniche principali:
- Modello LASSO-Cox: Una tecnica statistica che seleziona solo le variabili davvero importanti, evitando il “rumore” di fondo che potrebbe confondere la previsione.
- NLP Clinico (Natural Language Processing): Questa è la vera svolta. Il computer ha “letto” le note scritte a mano o digitate dai medici nelle cartelle, estraendo segni e sintomi che spesso non compaiono nei moduli standard precompilati.
Predittori inclusi e loro importanza
Il modello non si limita ai dati demografici (età, genere, etnia), ma analizza:
- Terapie e ospedalizzazioni: L’uso di certi farmaci o precedenti ricoveri brevi fungono da “campanelli d’allarme”.
- 66 indicatori da NLP: Sintomi sottili, cambiamenti comportamentali e uso di sostanze estratti direttamente dal linguaggio naturale dei clinici.
Performance del modello e utilità clinica
L’efficacia di un modello si misura con due parametri:
- Discriminazione (C-index 0,80): È la capacità del modello di distinguere tra chi si ammalerà e chi no. Un punteggio di 0,80 è considerato molto buono (1,00 sarebbe la perfezione).
- Calibrazione: Indica quanto il rischio “previsto” sia vicino a quello che accade realmente. Il modello ha mostrato un’ottima corrispondenza, dimostrando di essere affidabile in diversi distretti sanitari.
Implicazioni per la pratica clinica e sanità pubblica
L’integrazione di questo algoritmo nelle cartelle elettroniche (EHR) permetterebbe una sorveglianza continua. Se un paziente raggiunge un punteggio di rischio elevato, il sistema avvisa il medico, che può attivare percorsi di supporto come la terapia cognitivo-comportamentale o interventi sullo stile di vita (es. gestione dell’uso di cannabis).
La sfida principale rimane l’implementazione pratica: serve formare il personale affinché sappia comunicare questi risultati ai pazienti con sensibilità, senza creare allarmismi inutili.
Limiti dello studio e direzioni future della ricerca
Nonostante l’entusiasmo, esistono dei limiti. I dati appartengono a una specifica zona di Londra; quindi, il modello va testato in altri paesi e contesti culturali. Inoltre, circa il 15% dei dati sull’etnia era mancante, il che potrebbe influenzare la precisione per alcuni gruppi.
La ricerca futura dovrà includere maggiormente il punto di vista dei pazienti (“esperienza vissuta”) nella progettazione degli interventi, per assicurarsi che la prevenzione sia non solo efficace, ma anche umana e rispettosa.
Link Fonte
Arribas, M., de Micheli, A., Krakowski, K., Stahl, D., Correll, C. U., Young, A. H., Andreassen, O. A., Vieta, E., Arango, C., McGuire, P., Oliver, D., & Fusar-Poli, P. (2026). Joint detection of risk for psychotic disorders or bipolar disorders in clinical practice in the UK: development and validation of a clinical prediction model. The lancet. Psychiatry, 13(1), 14–23.
By
