Modelli predittivi per l’outcome riabilitativo precoce in pazienti sottoposti a protesi articolare di anca e ginocchio con l’utilizzo del machine learning: un protocollo di studio

Gli interventi di protesi totale d'anca e ginocchio sono trattamenti efficaci, tuttavia il 10-20% dei pazienti ottiene risultati sottoperformanti con persistenza di dolore e deficit nel recupero motorio. Questa variabilità dipende da molteplici fattori tra cui età, BMI, comorbidità e condizioni psicologiche. L'impossibilità di prevedere il decorso riabilitativo comporta un utilizzo subottimale delle risorse sanitarie. Il presente protocollo descrive la metodologia per sviluppare e confrontare modelli predittivi basati su machine learning per identificare precocemente pazienti a rischio di recupero funzionale lento dopo artroprotesi. L'endpoint primario è lo sviluppo e il confronto delle performance predittive tra regressione logistica e Random Forest. Lo studio retrospettivo osservazionale sarà condotto presso l'Istituto Ortopedico Rizzoli di Bologna, analizzando 659 pazienti sottoposti a protesi d'anca o ginocchio nel periodo 2022-2024. I modelli predirranno la capacità di salire autonomamente tre gradini standardizzati alla quarta giornata post-operatoria. I predittori includeranno variabili demografiche, antropometriche, cliniche preoperatorie e parametri chirurgici disponibili dal primo giorno post-intervento. L'analisi sarà condotta mediante validazione incrociata stratificata a 10-fold, seguendo le linee guida TRIPOD-AI e SPIRIT. Le performance saranno valutate mediante AUC-ROC, sensibilità, specificità, valori predittivi e calibrazione. L'implementazione di questo protocollo permetterà di sviluppare uno strumento predittivo affidabile e clinicamente applicabile per stratificare precocemente il rischio riabilitativo, consentendo la personalizzazione degli interventi e l'ottimizzazione delle risorse nella pratica clinica quotidiana.