Quando una persona entra in contatto con il sistema sanitario per un problema di salute mentale, non tutto ciò che conta finisce nei campi “ufficiali” della cartella. Una parte resta nelle note cliniche, tra righe lette dal professionista ma difficili da recuperare in modo automatico. Questo conta molto quando si parla di autolesionismo, perché una storia passata può aiutare a capire meglio il livello di fragilità di una persona e a organizzare cure più attente.
Che cosa ha studiato la ricerca
Questo studio ha cercato di capire quanti episodi o precedenti di autolesionismo risultino presenti nella documentazione clinica ma non nei codici diagnostici standard delle cartelle elettroniche. Per farlo, i ricercatori hanno analizzato i dati sanitari di oltre 1,3 milioni di veterani statunitensi seguiti per almeno due anni.
Si tratta di uno studio retrospettivo osservazionale. In pratica, non ha testato un trattamento e non ha seguito i partecipanti in tempo reale. Ha invece esaminato dati già raccolti in passato e ha usato un sistema di apprendimento automatico per stimare quanti casi potessero essere sfuggiti alla codifica formale.
Che cosa è emerso
Nei dati strutturati, solo l’1,85% dei veterani aveva un codice diagnostico che indicava autolesionismo. Ma il modello ha suggerito che la quota reale di casi documentati nella cartella, sommando quelli codificati e quelli probabilmente presenti solo nelle note, fosse molto più alta.
Dopo una correzione basata su revisione manuale di un piccolo gruppo di cartelle, la stima finale è arrivata a circa 7,9%. In altre parole, i codici standard sembravano intercettare solo circa un quarto dei casi documentati. La revisione umana di 97 cartelle senza codice ha trovato 39 casi con elementi compatibili con autolesionismo già descritti nella documentazione.
Il punto centrale è semplice: affidarsi ai soli codici amministrativi può dare un’immagine incompleta del problema.
Perché può interessare nella vita reale
Per chi legge, questo non significa che la tecnologia “scopra” da sola chi è a rischio né che una cartella elettronica possa sostituire il giudizio clinico. Significa piuttosto che informazioni importanti possono essere disperse nei documenti sanitari e quindi meno visibili nei sistemi che servono a organizzare assistenza, follow-up e risorse.
Questo aspetto può avere conseguenze concrete. Se una storia di autolesionismo non viene riconosciuta dai sistemi automatici, un servizio sanitario potrebbe sottostimare quanti pazienti hanno bisogno di una valutazione più attenta o di un monitoraggio più stretto. C’è anche un impatto sulla ricerca: dati incompleti portano a stime meno affidabili.
Cosa possiamo e non possiamo concludere
Il messaggio pratico non è “fidati dell’intelligenza artificiale”, ma piuttosto che la qualità della documentazione conta e che strumenti informatici ben progettati potrebbero aiutare i professionisti a non perdere pezzi importanti della storia clinica.
Ma serve prudenza. Questo metodo ha mostrato una accuratezza moderata, utile forse per indirizzare una revisione mirata, non per prendere decisioni da solo. Lo studio non dimostra che il sistema identifichi con certezza i singoli pazienti, non prevede futuri episodi di autolesionismo e non stabilisce un rapporto di causa-effetto.
C’è anche un altro limite importante: i dati arrivano da un unico sistema sanitario, con regole e abitudini di codifica particolari. Quindi non sappiamo quanto i risultati valgano in altri contesti, né quanto la stima finale sia trasferibile alla popolazione generale.
Il punto da portare a casa
Per una persona comune, la lezione più utile è che nelle cure per la salute mentale conta non solo ciò che viene detto, ma anche come viene registrato. Sul piano dei sistemi sanitari, questo studio suggerisce che una parte rilevante della storia clinica può restare poco visibile se si guardano solo i codici.
È un risultato interessante, soprattutto per migliorare l’organizzazione dell’assistenza. Ma resta un passo preliminare: prima di tradurlo in pratica servono altre verifiche, in altri contesti e con strumenti integrati alla valutazione clinica umana.
Fonte scientifica
Paper originale: Detecting Uncoded Self-Harm in Veterans’ Electronic Health Records Using Positive and Unlabeled Learning: Retrospective Observational Study (Preprint)
Rivista: Journal of Medical Internet Research
DOI: 10.2196/89071
