Un sistema di intelligenza artificiale ha passato al setaccio centinaia di migliaia di cartelle cliniche nei ospedali danesi, individuando infezioni post-operatorie e possibili anomalie che i controlli tradizionali possono intercettare troppo tardi.
Le infezioni dopo un’operazione non sono rare, e spesso arrivano quando il paziente pensa di aver già superato la fase più delicata. La ferita si arrossa, il dolore aumenta, compaiono secrezioni e, in alcuni casi, si rende necessario un nuovo ricovero o un trattamento più lungo del previsto. Il problema, però, non è soltanto clinico: è anche organizzativo. Riconoscere questi eventi su migliaia di cartelle è complesso, soprattutto quando i sistemi amministrativi non registrano tutto e la revisione manuale si limita a campioni ridotti di pazienti. Proprio per colmare questo vuoto, un team del Rigshospitalet di Copenaghen ha testato un approccio basato sull’elaborazione del linguaggio naturale, applicandolo alle note cliniche prodotte dopo 765.962 operazioni eseguite in 18 ospedali danesi tra maggio 2016 e dicembre 2021. L’intelligenza artificiale non osservava direttamente le ferite, ma leggeva il testo libero scritto da medici e infermieri, cercando segnali compatibili con un’infezione superficiale del sito chirurgico entro 30 giorni. Lo studio, pubblicato il 3 agosto 2026 su Scientific Reports, punta a mostrare quanto i dati già presenti nelle cartelle possano diventare uno strumento di sorveglianza molto più rapido e capillare.
Un sistema che legge i testi clinici e intercetta i segnali nascosti
Il cuore della ricerca è semplice da descrivere, ma potente nelle implicazioni: invece di affidarsi solo ai codici amministrativi, spesso incompleti, il modello ha esaminato le annotazioni cliniche per scoprire tracce linguistiche di infezione. Questo significa che il sistema non cercava una diagnosi automatica, bensì un insieme di indizi: parole, formulazioni e descrizioni compatibili con un’infezione del sito chirurgico. Un compito che per un essere umano richiederebbe tempo, attenzione e molte risorse.
Il modello era già stato validato in precedenza e aveva dimostrato prestazioni molto elevate nell’individuazione dei casi. In questo studio ha identificato 14.018 infezioni, pari all’1,8% degli interventi analizzati. La frequenza, tuttavia, non era uniforme. Nelle protesi di anca e ginocchio il tasso si attestava all’1,9%, mentre nelle laparotomie esplorative arrivava all’8,7%. Un dato che non sorprende del tutto: alcune procedure espongono naturalmente a un rischio più alto, anche per la complessità dell’intervento e per le condizioni di partenza del paziente.
Un altro elemento interessante riguarda la degenza. Nei casi in cui l’algoritmo riconosceva un’infezione, la permanenza media in ospedale era di 6,04 giorni, contro 1,84 giorni negli altri casi. Naturalmente questo non prova che l’infezione sia l’unica ragione del ricovero più lungo, ma rende evidente il peso clinico e logistico del problema. In termini pratici, ogni infezione significa spesso più assistenza, più controlli e più costi per il sistema sanitario.
Quando l’algoritmo individua i picchi e avverte l’ospedale
Il valore del sistema non si esaurisce nel conteggio dei casi. Analizzando l’andamento mese per mese, l’algoritmo ha individuato sei periodi di “warning” e tre di “alert”, ossia finestre nelle quali il numero di infezioni superava le soglie statistiche attese. È qui che l’IA mostra il suo potenziale più interessante: non come sostituto del giudizio medico, ma come radar in grado di segnalare un possibile problema prima che diventi evidente.
Un allarme di questo tipo potrebbe spingere i reparti a controllare la gestione delle sale operatorie, l’adozione delle misure preventive, il rispetto della profilassi antibiotica o aspetti più ampi come il controllo della glicemia e della temperatura. In altre parole, potrebbe aiutare a capire se dietro a un aumento dei casi ci sia una criticità organizzativa o clinica. E non è poco, soprattutto in contesti in cui le infezioni correlate all’assistenza rappresentano una delle complicanze più diffuse in Europa.
Va però chiarito un punto essenziale: lo studio non ha dimostrato che un allarme precoce avrebbe evitato davvero le infezioni osservate. Ha mostrato, piuttosto, che questi segnali possono essere estratti dai dati già esistenti con un livello di dettaglio difficilmente raggiungibile attraverso i controlli tradizionali. È una differenza importante. L’algoritmo, insomma, non cura, ma può aiutare a vedere meglio.
Antibiotici, risultati e limiti di uno studio retrospettivo
Gli autori hanno anche utilizzato il dataset per esaminare un aspetto molto concreto della pratica clinica: la somministrazione di antibiotici nelle due ore precedenti l’incisione. Questa finestra temporale è coerente con le raccomandazioni internazionali e rappresenta un parametro chiave nella prevenzione delle infezioni post-operatorie.
Dopo gli aggiustamenti statistici, la profilassi tempestiva risultava associata a una riduzione del rischio del 10% sull’intera coorte e del 35% nelle laparotomie esplorative. Nelle protesi articolari, invece, non emergeva un legame significativo, probabilmente anche perché l’aderenza alle raccomandazioni era già molto elevata. Ma attenzione: questo non significa che gli antibiotici vadano somministrati sempre e comunque. La scelta dipende dal tipo di intervento, dal profilo del paziente e dalle indicazioni cliniche specifiche.
Lo studio presenta inoltre i limiti tipici delle analisi retrospettive. Può contenere errori di classificazione e, come segnalano gli stessi autori, una diversa gestione dei dati mancanti ha persino cambiato la direzione del risultato complessivo sugli antibiotici. È un dettaglio che invita alla cautela. La conclusione più solida non è che l’intelligenza artificiale abbia già migliorato la sicurezza chirurgica, ma che possa diventare uno strumento utile per individuare prima le infezioni e studiarne meglio le cause su scala ampia.
In prospettiva, il passo decisivo sarà verificare tutto questo in studi prospettici e soprattutto nell’uso reale negli ospedali. Solo allora si capirà se questo “radar” digitale potrà tradursi in un vantaggio concreto per pazienti e strutture sanitarie. Per ora, il segnale è chiaro: i dati delle cartelle cliniche possono raccontare molto più di quanto si pensasse.