Problem framing clinico

Indice

---

1. Cosa misura la "readmission a 30 giorni"

La riammissione ospedaliera entro 30 giorni dalla dimissione e' un indicatore di qualita' assistenziale internazionale. Non e' un evento "naturale" ma un costrutto clinico-organizzativo: misura quanto bene la transizione ospedale-territorio ha funzionato per quel paziente.

Negli Stati Uniti, il programma Hospital Readmissions Reduction Program (HRRP) — istituito dal Patient Protection and Affordable Care Act del 2010 — penalizza economicamente gli ospedali con tassi di riammissione superiori alla media nazionale per condizioni specifiche (tra cui il diabete). Una riammissione non pianificata costa in media $15.000-20.000 per episodio (CMS data, 2018) e segnala una gestione subottimale della transizione di cura: educazione paziente insufficiente, mancanza di follow-up territoriale, riconciliazione farmacologica errata.

Perche' 30 giorni e non 90 o un anno

La finestra dei 30 giorni e' uno standard CMS (Centers for Medicare & Medicaid Services). E' clinicamente significativa perche':

• I primi 30 giorni post-dimissione sono il periodo di massima fragilita': il paziente e' uscito dall'ambiente protetto, deve gestire autonomamente nuovi farmaci, ed e' soggetto a complicazioni dell'episodio acuto.
• Riammissioni a >30 giorni sono spesso eventi clinici nuovi, scollegati dal ricovero originale. Difficile attribuirle alla qualita' del ricovero indice.
• E' la finestra in cui un intervento di prevenzione (telefonata di follow-up, visita ambulatoriale anticipata) puo' ancora cambiare l'esito.

2. Binarizzazione del target: <30 days come classe positiva

Il target originale readmitted ha tre valori:

Valore	Significato
<30	Riammesso entro 30 giorni dalla dimissione
>30	Riammesso oltre 30 giorni
NO	Non riammesso (entro l'orizzonte di osservazione)

Convenzione adottata (allineata al tutorial di Microsoft Fairlearn e al paper Strack 2014):

y_{\text{30d}} = \begin{cases} 1 & \text{se } \texttt{readmitted} = \text{`<30'} \\ 0 & \text{altrimenti} \end{cases}

Perche' binarizzare

• Coerenza con HRRP: l'indicatore penalizzato e' la riammissione a 30 giorni, non a 60 o 90.
• Azionabilita': l'output del modello deve guidare un intervento (follow-up telefonico, visita ambulatoriale entro 7 giorni). Una probabilita' singola e' immediatamente utilizzabile da un clinico, una distribuzione su tre classi non lo e'.
• Statistica: la classificazione binaria con <30 come classe positiva ha un trattamento metodologico standard (AUC-PR, recall, soglie di costo). La classificazione multiclasse 1-vs-rest aggiungerebbe complessita' senza valore clinico.

Caveat importante

Un paziente riammesso al giorno 31 e' considerato "non a rischio" da questa formulazione. Clinicamente la differenza fra giorno 29 e giorno 31 e' minima: il modello ne paghera' un piccolo costo predittivo. E' un trade-off accettabile per la chiarezza della formulazione.

3. Matrice dei costi asimmetrica

In sanita', i due tipi di errore non hanno costo simmetrico.

Falso negativo (FN): paziente ad alto rischio non intercettato

Il modello predice readmission = 0 ma il paziente viene riammesso entro 30 giorni. Costo:

• Costo diretto: l'ospedale paga il ricovero ($15-20k) + penalita' HRRP.
• Costo indiretto: peggiore esito clinico per il paziente (eventuali complicanze evolute mentre era a casa).
• Costo etico: il paziente avrebbe beneficiato di un follow-up che non e' arrivato.

Falso positivo (FP): paziente a basso rischio classificato come "a rischio"

Il modello predice readmission = 1 ma il paziente sta bene. Costo:

• Costo diretto: telefonata di follow-up + eventuale visita ambulatoriale (~$50-200 per episodio).
• Costo indiretto: tempo di un infermiere/case-manager sottratto a chi ne avrebbe piu' bisogno.
• Costo emotivo: ansia indotta nel paziente.

Quantificazione del rapporto

Una stima conservativa, supportata dalla letteratura health economics:

$$\frac{\text{costo}(\text{FN})}{\text{costo}(\text{FP})} \in [5, 20]$$

Default in config.py: COST_FN_OVER_FP = 5.0 (estremo conservativo). Il modulo threshold.py ottimizza la soglia decisionale minimizzando:

$$\mathcal{L}(\tau) = \text{FP}(\tau) + 5 \cdot \text{FN}(\tau)$$

dove $\text{FP}(\tau)$, $\text{FN}(\tau)$ sono i conteggi alla soglia $\tau$.

4. Quali interventi attiva il modello

Dal punto di vista operativo, l'output del modello (probability >= threshold) attiva un bundle di follow-up post-dimissione:

Intervento	Costo unitario	Evidenza efficacia (RR riduzione readmission)
Telefonata di follow-up (48-72h)	~$15	0.75-0.85
Visita ambulatoriale anticipata (entro 7 giorni)	~$150	0.65-0.80
Coinvolgimento case-manager / caregiver	~$200	0.70-0.85
Riconciliazione farmacologica strutturata	~$80	0.80-0.90

Fonte: meta-analisi Leppin et al. (2014, JAMA Intern Med). I numeri sono indicativi; il punto e' che l'intervento ha un costo finito e va distribuito sui pazienti piu' a rischio per massimizzare l'impatto.

5. Vincoli operativi che derivano dal contesto

5.1 Capacita' del programma di follow-up

Il numero di follow-up giornalieri che un ospedale puo' eseguire e' finito (vincolato dal personale infermieristico). Se il modello "alerta" il 30% dei dimessi, ma il programma puo' gestire solo il 15%, serve ranking non solo classificazione.

Implicazione: la probabilita' (predict_proba) e' piu' utile della classe binaria. La soglia diventa un parametro negoziabile con la direzione clinica in base alla capacita' operativa.

5.2 Latenza del modello

Il modello deve produrre la predizione al momento della dimissione, in finestra di pochi minuti (mentre il clinico compila la lettera di dimissione). Non e' un problema computazionale per LogReg/RF su 50 feature, ma e' un vincolo da menzionare in produzione.

5.3 Esplicabilita' obbligatoria

In sanita' non basta una predizione: serve una giustificazione. Per un paziente classificato "ad alto rischio", il clinico vuole sapere perche':

• "13 farmaci diversi, 4 ricoveri nell'anno precedente, HbA1c >8%."

Questa lista guida il bundle di intervento (es. focus sulla riconciliazione farmacologica). Implicazione architetturale: si privilegiano modelli con interpretabilita' nativa (LogReg) o si aggiunge SHAP/feature_importance.

6. Riferimenti

• Strack, B. et al. (2014). Impact of HbA1c Measurement on Hospital Readmission Rates: Analysis of 70,000 Clinical Database Patient Records. BioMed Research International, 2014:781670.
• Leppin, A. L. et al. (2014). Preventing 30-day hospital readmissions: a systematic review and meta-analysis of randomized trials. JAMA Internal Medicine, 174(7), 1095-1107.
• Centers for Medicare & Medicaid Services. Hospital Readmissions Reduction Program (HRRP). https://www.cms.gov/medicare/payment/prospective-payment-systems/acute-inpatient-pps/hospital-readmissions-reduction-program-hrrp
• Kansagara, D. et al. (2011). Risk prediction models for hospital readmission: a systematic review. JAMA, 306(15), 1688-1698.