Di recente un team del Dipartimento di Ortopedia dell’Ospedale di Yueqing, affiliato all’Università di Medicina di Wenzhou, in Cina, ha ideato un modello predittivo basato su machine learning capace di individuare i pazienti a rischio di sviluppare una lesione alla cuffia dei rotatori partendo da indicazioni strutturali della spalla e da informazioni personali del paziente, come per esempio l’età.
L’idea è di facilitare lo screening della popolazione e ridurre, se possibile, gli esami diagnostici più costosi.
Gli autori partono da un campione di 342 pazienti, sottoposti a radiografia e risonanza magnetica di spalla tra il 2023 e il 2024: di questi, 180 avevano lesione alla cuffia dei rotatori e 162 no. Per ogni paziente sono stati raccolti dati demografici e strutturali della spalla, come l’angolo critico, l’indice acromiale, il nuovo angolo acromiale e l’inclinazione acromiale.
Il confronto tra i due gruppi
Prima ancora di sviluppare l’algoritmo predittivo con l’intelligenza artificiale, gli autori hanno valutato statisticamente le caratteristiche dei due gruppi, per esempio evincendo che l’età è effettivamente un fattore di rischio importante per lo sviluppo di lesioni alla cuffia dei rotatori: l’età media dei pazienti con lesione è infatti di 60,92 anni, nettamente superiore all’età media dell’altro gruppo, pari a 54,12 anni.
Ci sono altre caratteristiche demografiche/cliniche che sembrano avere importanza per lo sviluppo di lesione alla cuffia dei rotatori, per esempio, la presenza di diabete. In merito agli altri aspetti strutturali, gli autori non hanno trovato alcuna differenza nei due gruppi rispetto all’angolo critico della spalla, cosa che non si può dire per tutti gli altri parametri presi in considerazione.
Per scendere nello specifico: il nuovo angolo acromiale risulta essere decisamente più piccolo nei pazienti con lesione, pari a 142.79° rispetto ai 147.42° dei pazienti senza lesione; l’indice acromiale è maggiore nei pazienti con lesione rispetto che negli altri, con una media di 0,80 contro 0,77; l’inclinazione acromiale è più bassa nei pazienti con lesione, ovvero 36.18° contro 38.50°.
Il confronto tra i pazienti dei due gruppi ha, inoltre, permesso di osservare il maggior coinvolgimento della spalla destra nelle lesioni, probabilmente legato al maggior uso della spalla dominante e, quindi, a una maggior degenerazione per utilizzo.
Il modello predittivo
Una volta effettuate le osservazioni sopra riportate, gli autori hanno messo in campo 6 differenti tipi di algoritmi di machine learning per individuare il più adatto a prevedere la presenza o meno di lesione partendo dai dati presi in considerazione. I modelli scelti sono i seguenti: regressione logistica, albero decisionale, random forest, k-vicini più prossimi, macchina a vettori di supporto e XGBoost.
Sviluppati i modelli, si è osservato quale desse esiti più vicini alla realtà, ovvero ai pazienti davvero coinvolti nello studio. Le valutazioni hanno indicato il modello basato su XGBoost come quello con una maggior bilanciamento tra accuratezza e score F1: il modello ha ottenuto un AUC di 0,87 durante il training e di 0.74 successivamente. Il modello richiede ora di essere validato in studi ad hoc, prima di poter entrare nel mondo della clinica come strumento di supporto diagnostico e decisionale: potrebbe, per esempio, individuare i pazienti a maggior rischio e supportare l’avvio di percorsi preventivi ad hoc.
Hou, Z., Wan, Q. & Wan, L. Machine learning–based prediction of rotator cuff tears using anatomical parameters: a retrospective cohort study. BMC Musculoskelet Disord (2026). https://doi.org/10.1186/s12891-026-09765-2
