Intercettare il deterioramento clinico in ambito intraospedaliero: confronto tra modelli di apprendimento automatico e metodiche convenzionali. Una revisione della letteratura

Introduction. The early identification of clinical deterioration defined as a patient’s transition from a stable clinical condition to a worse one, represents one of the current challenges in healthcare and nursing practice. To prevent such deterioration, scoring-based early warning systems are often employed; the most commonly used, the MEWS and NEWS systems, as well as other currently adopted methods, have several limitations. At the same time, artificial intelligence (AI), particularly machine learning (ML) approaches, is an increasingly expanding field, and its application in detecting clinical deterioration either as a replacement for or an integration with existing methods offers a potential solution to their weaknesses and limitations. The aim of this review is to investigate methodologies for the identification of clinical deterioration that employ AI-based approaches, particularly those belonging to the category of machine learning (ML) systems. Once identified, the goal is to assess their effectiveness in clinical contexts and to compare them with currently used methods. Materials and Methods. A primary literature review was conducted using the PubMed search engine, following the PICOM framework. The following keywords were used in the search: "patient", "AI", "machine learning", and "deterioration". A publication date filter was applied to include only studies published within the last five years (2021–2025). Results. After reviewing the available literature and applying inclusion and exclusion criteria, 14 articles were selected for this review. The studies revealed a considerable variety in the types of hospital wards where these methodologies were applied, as well as in the different types of machine learning methods used. The developed and implemented models demonstrated good performance in detecting clinical deterioration, within the limitations of each study, and achieved results superior to those of scoring-based early warning systems, including NEWS and MEWS, which were used as comparators. Discussion and Conclusions. Artificial intelligence, and in particular machine learning methods, can serve as valid tools for detecting clinical deterioration in hospitalized patients, showing, across different clinical settings, levels of effectiveness superior to traditional methodologies such as MEWS and NEWS. However, uncertainties still remain regarding the use of these technologies. Although they have shown promising results in specific clinical contexts, it is not yet well established whether their effectiveness can be generalized and applied to broader patient populations. Further studies on their implementation and real-world applicability are therefore needed. Keywords: patient, AI, machine learning, deterioration

Introduzione. L’individuazione tempestiva del deterioramento clinico, definito come un paziente che passa da uno stato clinico a uno stato clinico peggiore, è una delle attuali sfide nell’assistenza sanitaria e infermieristica. Per prevenirlo, vengono spesso utilizzati sistemi di allerta a punteggio; i più utilizzati, i sistemi MEWS e NEWS, come altre delle metodologie attualmente in uso, presentano dei limiti. Allo stesso tempo le intelligenze artificiali, in particolare i metodi di apprendimento automatico (machine learning), sono una realtà in continua crescita e il loro impiego o utilizzo nell’ambito dell’individuazione del deterioramento clinico, a sostituzione o integrazione dei metodi attualmente in uso, si offre come possibile soluzione ai loro limiti e punti deboli. L’obiettivo di questa revisione è indagare sulle metodologie per l’individuazione del deterioramento clinico che fanno utilizzo di metodi basati sull’intelligenza artificiale, in particolar modo sulle metodiche appartenenti alla categoria dei sistemi di apprendimento automatico o machine-learning (ML). Una volta individuate, verificare la loro efficacia in contesti clinici e confrontarle con i metodi attualmente in uso. Materiali e Metodi. È stata condotta una revisione della letteratura primaria, sul motore di ricerca PubMed, utilizzando metodologia PICOM. Per la ricerca sono state utilizzate le seguenti parole chiave: "patient", "AI", "machine learning" e "deterioration"; è stato poi applicato un filtro relativo agli anni, considerando gli articoli pubblicati entro gli ultimi cinque anni (2021-2025). Risultati. È stata presa visione della letteratura disponibile e dopo l’applicazione di criteri di inclusione ed esclusione, sono stati considerati per la revisione 14 articoli. Dagli studi è emersa subito una grande varietà nelle tipologie di reparti in cui le metodologie sono state applicate e delle varie tipologie di metodi di apprendimento automatico esistenti. I modelli studiati e implementati hanno ottenuto buoni risultati nel discernimento del deterioramento clinico, nei limiti degli studi, ottenendo dei risultati superiori ai metodi di allerta a punteggio, fra cui NEWS e MEWS, utilizzati come confronto. Discussione e Conclusioni. Le intelligenze artificiali, in particolare i metodi di apprendimento automatico, possono essere una valida metodica per l’individuazione del deterioramento clinico nei pazienti ospedalizzati, ottenendo in base ai diversi contesti clinici considerati, dei risultati di efficacia superiori alle metodologie tradizionali (MEWS e NEWS). Permangono tuttavia, ad oggi, delle incertezze sull’utilizzo di queste tecnologie; sebbene negli ambiti clinici abbiano ottenuto buoni risultati, non è stato ancora ben definito se la loro efficacia sia trasferibile ad un contesto generalizzato e ad una platea clinica più ampia. Sono dunque necessari ulteriori studi sulla loro applicazione. Parole chiave: "patient", "AI", "machine learning" e "deterioration".