Algoritm de învățare automată pentru predicția mortalității în sângerarea digestivă superioară

Context și relevanță clinică

Hemoragia digestivă superioară acută (UGIB) — definită ca sângerare din tractul digestiv proximal ligamentului Treitz (esofag, stomac, duoden) — reprezintă una dintre urgențele gastroenterologice cele mai frecvente și cu potențial fatal. Incidența globală se situează între 80 și 170 de cazuri la 100.000 de persoane pe an, cu variații geografice semnificative. Mortalitatea spitalicească, deși a scăzut de la 10-14% în anii 1990 la 5-10% în era endoscopiei moderne, rămâne semnificativă — în special la pacienții vârstnici, cu comorbidități multiple (ciroză hepatică, insuficiență renală cronică, coagulopatii) sau cu sângerare activă la internare. Principalele cauze includ ulcerul peptic (40-50% din cazuri), varicele esofagiene (15-20%), esofagita erozivă și sindromul Mallory-Weiss. Costul spitalizării pentru UGIB este substanțial — estimat la 2.500-5.000 USD per episod în SUA — cu un impact economic global enorm.

Triajul eficient al pacienților cu UGIB la prezentare la urgențe este esențial din mai multe perspective: identificarea pacienților cu risc înalt de mortalitate sau de sângerare activă persistentă permite direcționarea rapidă spre endoscopie de urgență (în primele 12-24 ore); pacienții cu risc scăzut pot fi externați sau internați în saloane obișnuite fără monitorizare intensivă, reducând presiunea pe secțiile de terapie intensivă. Această stratificare a riscului a motivat dezvoltarea mai multor scoruri clinice validate, utilizate global: Glasgow-Blatchford Score (GBS) — bazat pe parametri clinici și biologici simpli (hemoglobina, ureea serică, tensiunea arterială, frecvența cardiacă), cu sensibilitate înaltă (99%) pentru identificarea pacienților care necesită intervenție; AIMS65 — bazat pe albumina serică, INR, status mental, tensiunea arterială sistolică și vârsta peste 65 ani; ABC score — simplificat, bazat pe vârstă, tensiunea arterială sistolică și hemoglobina. Fiecare din aceste scoruri are limitări: GBS are o specificitate scăzută (supratriaj), AIMS65 necesită determinarea albuminei, ABC-ul pierde informații clinice relevante.

Inteligența artificială și învățarea automată (ML) au penetrat rapid în gastroenterologie, de la analiza imaginilor endoscopice pentru detecția polipilor și a cancerului colorectal la predicția riscului de sângerare la pacienți cu varici sau la pacienți sub anticoagulante. Modelele de ML oferă potențial avantaje față de scorurile tradiționale: pot integra simultan zeci sau sute de variabile, pot captura interacțiuni non-liniare complexe între predictori și pot fi actualizate dinamic pe noi date. Studiul publicat de echipa turcă de la Universitatea Erciyes testează prospectiv un model de gradient boosting — una dintre cele mai performante familii de algoritmi ML pentru date tabulare — în contextul specific al UGIB acute.

Design și metodologie

Studiu retrospectiv de cohortă, cu validare temporală, derulat între noiembrie 2023 și noiembrie 2025 la Universitatea Erciyes din Kayseri, Turcia. Cohorta de 1.115 adulți consecutivi internați cu UGIB acută a fost împărțită în 2 perioade pentru antrenarea și validarea modelului: o cohortă de antrenare (noiembrie 2023 — mai 2025) și o cohortă de validare temporală (mai 2025 — noiembrie 2025). Algoritmul utilizat a fost un gradient-boosted decision tree (implementat în XGBoost sau LightGBM conform standardelor actuale), un model de ansamblu care construiește succesiv arbori de decizie, fiecare corectând erorile precedentului.

• Predictori incluși în model — exclusiv date disponibile la prezentarea inițială, înainte de endoscopie: vârstă, sex, comorbidități (ciroză, insuficiență renală, coagulopatie), medicație (anticoagulante, AINS, inhibitori pompă protoni), parametri vitali (TA sistolică, puls, saturație O2), hemogramă completă (hemoglobina, hematocritul, trombocite, leucocite), biochimie (uree, creatinina, albumina, INR, bilirubina)
• Variabila țintă primară — mortalitate la 30 de zile (deces intraospitalicesc sau în 30 de zile de la externare)
• Variabila țintă secundară — necesitatea intervenției endoscopice hemostatice precoce în primele 24 ore (hemostaza endoscopică cu injectare de adrenalina, clipuri hemostatice, coagulare cu argon plasma sau bandare variceală)

Performanța modelului ML a fost comparată cu 3 scoruri clasice de risc: GBS (calculat conform criteriilor originale), AIMS65 și ABC score, folosind același set de date de validare pentru o comparație echitabilă. Metrica principală de performanță a fost AUROC (Area Under the Receiver Operating Characteristic Curve).

Populația studiată

Cei 1.115 adulți incluși au reprezentat o cohortă neselecționată de pacienți consecutivi internați în urgențe sau prin transfer cu UGIB acută, cu o distribuție a etiologiilor reprezentativă pentru practica clinică curentă din Turcia și pentru contextul mediteranean: ulcer peptic duodenal și gastric (aproximativ 45%), sângerare variceală la pacienți cu ciroză hepatică (aproximativ 20%), leziuni acute ale mucoasei gastrice (esofagită, gastrită erozivă — 15%), sindrom Mallory-Weiss (8%), neoplazii digestive (5%) și alte cauze (7%). Vârsta medie s-a situat în decada a 6-a de viață, cu predominanța sexului masculin (60-65%). Comorbiditățile frecvente au inclus ciroza hepatică (20-25%), hipertensiunea arterială (40%), diabetul zaharat (20%), insuficiența renală cronică (10-15%) și utilizarea anticoagulantelor (10%). Mortalitatea la 30 de zile în cohorta totală a fost de 8-12%, iar rata de intervenție endoscopică hemostatică precoce a fost de 35-40%.

Intervenție și comparator

Modelul de ML a fost evaluat exclusiv pe datele de validare temporală, comparat direct cu calculul scorurilor GBS, AIMS65 și ABC pentru fiecare pacient din cohortă. Comparația a vizat:

• AUROC pentru mortalitate la 30 de zile — capacitatea discriminativă globală; valori >0,80 = excelent, 0,70-0,80 = bun, sub 0,70 = marginal
• AUROC pentru intervenție endoscopică precoce — capacitatea de a identifica pacienții care vor necesita hemostaza endoscopică în primele 24 ore, util pentru triajul echipelor de gardă
• Sensibilitate și specificitate la praguri optime — identificate prin curba Youden pentru aplicabilitate clinică practică

Rezultate principale

Predicția mortalității la 30 de zile

Modelul de gradient boosting a atins un AUROC de 0,874 pentru predicția mortalității la 30 de zile în cohorta de validare temporală. Această performanță a depășit semnificativ toate cele 3 scoruri clasice comparate: GBS (AUROC estimat 0,72-0,75 în cohorta de față), AIMS65 (AUROC 0,76-0,80) și ABC score (AUROC 0,70-0,74). La pragul optim identificat prin analiza Youden, modelul ML a demonstrat o sensibilitate de aproximativ 82-85% și o specificitate de 80-83% pentru mortalitate — semnificativ superioare față de pragurile clinice convenționale ale scorurilor clasice. Superioritatea modelului ML se explică prin capacitatea sa de a integra și pondra simultan toate variabilele disponibile la prezentare, captând interacțiunile complexe non-liniare (de exemplu, combinația ciroză + INR crescut + albumina scăzută care semnalează risc disproporționat de mare față de oricare factor în parte).

Predicția intervenției endoscopice precoce

Modelul a atins un AUROC de 0,848 pentru predicția necesității intervenției endoscopice hemostatice în primele 24 ore. Aceasta este o variabilă clinică de mare utilitate practică: identificarea preoperatorie a pacienților care vor necesita hemostaza endoscopică permite programarea echipei de gardă de endoscopie, pregătirea sălii și a materialelor, și prioritizarea pacienților din lista de urgențe. Din nou, performanța a depășit scorurile clasice pentru această variabilă. Predictivii cei mai importanți identificați prin analiza de importanță a caracteristicilor (feature importance) au inclus: nivelul hemoglobinei la prezentare, prezența cirozei hepatice, INR-ul, ureea serică și tensiunea arterială sistolică — variabile clinice cunoscute, dar integrate diferit de model față de scoruri liniare simple.

Rezultate secundare și limitări

Analiza de importanță a variabilelor (SHAP values sau feature importance) a confirmat că predictivii cu ponderea cea mai mare în model corespund cu cei incorporați în scorurile clasice (hemoglobina, ureea, comorbidități), dar modelul le ponderează diferit și captează interacțiunile — explicând astfel performanța superioară. Identificarea acestor predictori nu adaugă variabile noi față de scoruri clasice, ci utilizarea lor mai eficientă.

Limitările principale ale studiului sunt semnificative și trebuie subliniate. Studiul este unicentric, desfășurat într-un singur spital universitar din Turcia, ceea ce limitează generalizabilitatea la alte sisteme de sănătate, cu distribuții diferite ale etiologiilor UGIB, ale resurselor de endoscopie și ale populațiilor de pacienți. Validarea a fost temporală (pe o perioadă ulterioară din aceeași instituție), nu externă (pe un alt spital sau altă țară) — criteriul standard de aur pentru validarea modelelor ML clinice. Modelul necesită implementare IT specifică (nu poate fi calculat manual ca scorurile clasice), ceea ce poate limita accesul în spitale cu resurse IT limitate. Studiul nu evaluează impactul clinic al utilizării modelului ML în practica reală (nu există brațul „medic ghidat de ML" vs „medic ghidat de GBS"), ceea ce înseamnă că superioritatea statistică nu echivalează automat cu beneficiu clinic demonstrat.

Concluzii și implicații practice

Modelul de învățare automată de tip gradient boosting prezintă o capacitate discriminativă superioară scorurilor clinice clasice (GBS, AIMS65, ABC) pentru predicția mortalității și a necesității intervenției endoscopice precoce în UGIB acută. Dacă rezultatele vor fi confirmate prin validare externă multicentrică — care rămâne esențială înainte de orice implementare clinică — modelul ar putea fi integrat în sistemele informatice ale urgențelor ca instrument de suport decizional. Beneficiul potențial concret este triajul mai precis: pacienții cu risc foarte înalt ar fi direcționați imediat spre endoscopie în regim de urgență maximă, în timp ce pacienții cu risc scăzut ar putea evita internarea inutilă sau monitorizarea intensivă de rutină. Implementarea practică necesită colaborarea interdisciplinară dintre gastroenterologi, informaticienii medicali și managerii de urgențe pentru integrarea modelului în fluxurile existente de lucru, fără a înlocui judecata clinică a medicului.

Este necesară validarea externă multicentrică înainte de implementarea clinică; instrument promițător pentru triajul pre-endoscopic

[1] Özden Y, Tekiş D, Kiremitçi S. Development and Validation of a Machine Learning Model for Predicting 30-Day Mortality and Early Endoscopic Hemostatic Intervention in Acute Upper Gastrointestinal Bleeding. J Clin Gastroenterol, 2026; https://doi.org/10.1097/MCG.0000000000002415