La sindrome dell’intestino corto (Short Bowel Syndrome, SBS) pediatrica è la prima causa di insufficienza intestinale nel bambino, e produce serie temporali cliniche lunghe ma poche: la difficoltà di modellazione nasce da questa combinazione, non dalla scelta dell’algoritmo. Raccolgo qui alcune note tecniche nate da un lavoro avviato con l’Ospedale Pediatrico Meyer di Firenze sull’uso di metodi quantitativi nella gestione di questi pazienti.

Contesto clinico

La SBS è uno stato di malassorbimento che segue a una riduzione della superficie intestinale funzionante, di solito dopo resezione chirurgica in epoca neonatale (enterocolite necrotizzante, atresie, gastroschisi, volvolo). La definizione operativa più diffusa fa riferimento a una lunghezza di intestino tenue sotto il 25% di quella attesa per età gestazionale, oppure alla dipendenza da nutrizione parenterale (NP) protratta oltre le sei settimane dopo la resezione (Goulet et al., PGHN 2019).

L’obiettivo clinico centrale è l’autonomia enterale: lo svezzamento dalla NP man mano che l’intestino residuo si adatta. La gestione è multidisciplinare e poggia su protocolli nutrizionali strutturati — per la NP pediatrica le linee guida di riferimento sono quelle ESPGHAN/ESPEN/ESPR/CSPEN del 2018, distribuite su più documenti (aminoacidi, lipidi, ferro e oligoelementi, vitamine, NP domiciliare). L’enteroplastica trasversale seriale (Serial Transverse Enteroplasty, STEP) e, dal 2019, l’analogo di GLP-2 teduglutide (approvato dalla FDA per i bambini sopra l’anno) allargano lo spazio terapeutico, e con esso il numero di variabili che descrivono il percorso del singolo paziente.

Il problema: la forma del dato

Il dato clinico della SBS ha una struttura ricorrente che vincola qualsiasi modello.

È longitudinale e irregolare. I parametri rilevanti — peso, lunghezza o statura, bilancio idrico, elettroliti, marcatori di colestasi (bilirubina diretta, GGT), accessi alla NP, episodi di sepsi da catetere — vengono campionati a frequenze diverse e cambiano con lo stato clinico: fitti in fase acuta, radi quando la situazione è stabile. Il campionamento è informativo: la decisione di misurare dipende dalle condizioni del paziente. Trattare questi punti come una griglia regolare introduce una distorsione.

È ad alta dimensionalità per soggetto, bassa numerosità tra soggetti. La SBS pediatrica è rara: una singola unità di riabilitazione intestinale segue decine di pazienti, non migliaia. Ogni paziente porta molte misure nel tempo, ma il numero di traiettorie indipendenti su cui un modello può imparare resta piccolo. È la condizione opposta a quella in cui i metodi ad alta capacità danno il meglio.

È eterogeneo nella codifica. Anatomia residua, presenza o assenza di valvola ileocecale, lunghezza e tratto di colon conservato, tipo di stomia: descrittori discreti che pesano molto sulla prognosi e che spesso vivono in testo libero o in campi non strutturati, non in variabili già pronte.

Definire il target

Il modello viene dopo la decisione su cosa si predice. Tre formulazioni hanno significato clinico diverso.

  • Tempo allo svezzamento dalla NP come problema di analisi di sopravvivenza. È la domanda più naturale, ma è soggetta a censura: pazienti ancora in NP a fine osservazione, trasferimenti e decessi competono come eventi. Una regressione che ignora la censura sovrastima in modo sistematico.
  • Classificazione binaria fra autonomia raggiunta e non raggiunta entro un orizzonte fisso (12, 24 mesi). Più semplice da valutare, ma butta via l’informazione temporale e dipende dalla scelta dell’orizzonte.
  • Previsione di un evento avverso — colestasi associata a insufficienza intestinale, sepsi da catetere — su finestra mobile. Utile sul piano operativo, ma con classi fortemente sbilanciate e un costo asimmetrico fra falsi positivi e falsi negativi, da fissare a priori.

La scelta non è tecnica in senso stretto: cambia quali pazienti entrano nella coorte, come si definisce l’inizio del follow-up e quali decisioni il risultato può informare.

Il punto critico: validare con pochi soggetti

Con poche decine di traiettorie, la stima dell’errore è il vincolo dominante. La validazione incrociata standard, se mescola misure dello stesso paziente fra fold di addestramento e di test, fa trapelare informazione e produce metriche ottimistiche. La regola minima è raggruppare per paziente: tutti i punti di un soggetto stanno nello stesso fold. Anche così, con pochi gruppi gli intervalli di confidenza sulle metriche restano larghi, ed è onesto riportarli invece del singolo numero.

La distinzione fra validazione interna ed esterna pesa più della scelta del modello. Un modello stimato su una coorte monocentrica cattura anche le abitudini di quel centro — soglie di svezzamento, scelte di NP — che altrove non si trasferiscono. Senza una coorte esterna, ogni stima della capacità di generalizzare è una congettura. Per la stessa ragione, su questi numeri un modello lineare regolarizzato o un modello di sopravvivenza parametrico è spesso preferibile a un’architettura ad alta capacità: meno parametri da stimare, comportamento più ispezionabile, varianza più bassa.

Conseguenze operative

Tre conseguenze pratiche.

La fase che pesa di più è la costruzione della coorte: armonizzare la codifica dell’anatomia residua, ricostruire le date di inizio e fine NP, distinguere il segnale informativo del campionamento dal rumore. È questo lavoro a determinare il risultato, più della scelta dell’algoritmo.

Il modello che ha senso costruire per primo è descrittivo, non predittivo. Stratificare i pazienti per pattern di adattamento osservato, quantificare la variabilità fra centri, mappare i dati mancanti: è un prerequisito per qualsiasi modello predittivo difendibile, e ha già un valore clinico per conto suo.

Qualsiasi output va presentato come supporto quantitativo a una decisione che resta del clinico, con l’incertezza dichiarata. Su una patologia rara con esiti gravi, un modello sicuro di sé e mai validato fuori dal centro d’origine fa più danni che bene.

Limiti

Quanto sopra riguarda la fase di impostazione, prima dei risultati su dati reali. La bassa numerosità è strutturale e non si aggira scegliendo il metodo; nel medio termine la via praticabile è la messa in comune dei dati fra centri, che apre però questioni di armonizzazione e di governo del dato qui non ancora affrontate. Le linee guida citate fissano lo standard di cura, non la metodologia di modellazione: il legame fra le due cose è esattamente il lavoro da fare.

Il percorso applicativo di questo lavoro con il Meyer è descritto nell’insight pubblicato da noze: https://www.noze.it/insights/meyer-sbs-ai/.

Immagine di copertina: Sacca trasparente per nutrizione parenterale totale con tre compartimenti separati che contengono glucosio, aminoacidi e lipidi — foto di Tristanb, CC BY-SA 3.0 — https://commons.wikimedia.org/wiki/File:Tpn_3bag.jpg