Descrizione
Background
Le gravi cerebrolesioni acquisite (GCA) sono la principale causa di morte e disabilità in tutto il mondo. Il grado di gravità varia in base a una combinazione di numerosi fattori demografici eziologici, clinici, radiologici, cognitivi, comportamentali, psicosociali e ambientali, che possono interferire con l'efficacia degli interventi di riabilitazione e, quindi, con l'esito finale alla dimissione. Il più importante traguardo della clinica moderna è poter predire per tempo la progressione della malattia per fornire un trattamento più efficace, ma l’elevata eterogeneità e variabilità clinica e l’imprevedibilità dell’insorgenza delle comorbidità, rende questo target difficilmente raggiungibile. Negli ultimi anni gli algoritmi di intelligenza artificiale sono stati applicati per definire in maniera più precisa il ruolo delle variabili critiche che possono aiutare la pratica clinica a predire l’outcome finale. Ma l’approccio classico di questi algoritmi fornisce solo dei valori probabilistici sull’esito finale ma non tiene conto dell’intervento clinico e delle variabilità che possono comparire tutto il periodo di ricovero. Per questo motivo, la definizione di un nuovo approccio statistico in grado di descrivere la dinamica dei cambiamenti clinici individuali che si verificano durante l'intero periodo di neuroriabilitazione è il più grande bisogno insoddisfatto per la pratica clinica.
Scopo
Lo scopo di questo studio multicentrico è applicare un nuovo approccio computazionale che fornisce previsioni del decorso clinico sul singolo paziente in base a solidi predittori, che sono stati validati scientificamente. E’ necessario un modello matematico dinamico che tenga conto della non linearità dell'evoluzione clinica, caratterizzata da un'elevata variabilità dei segni clinici e comorbilità, dei sintomi e dei trattamenti. DATI PRELIMINARI: Partendo dalle evidenze fornite da van der Vliet et al., (Annals of Neurology 2020) e dallo studio in revisione presso la rivista Scientific Reports, in cui il gruppo di ricerca del S’Anna ha dimostrato che la combinazione di variabili come (feeding modality, RLAS, ERBI, Tracheostomy, CRS-r) riesce a predire e definire le traiettorie dei pazienti GCA che avranno un good vs poor outcome dal giorno 86 dall’evento, in questo studio multicentrico ci concentreremo sulla definizione delle traiettorie delle progressioni cliniche delle 3 principali eziologie di pazienti con GCA: stroke, traumatico e anossico.
