La sindrome del tunnel carpale è tra le sindromi neurologiche più diffuse nella popolazione e rappresenta circa il 90% di tutte le patologie da compressione nervosa. Nella popolazione generale la sua incidenza è stimata in circa 300 casi l’anno ogni 100 mila soggetti, ma può essere maggiore in alcune categorie professionali specifiche, tanto da essere riconosciuta come malattia professionale.
Questa sindrome può essere inizialmente trattata per via conservativa, ma quando il dolore diventa eccessivo e la funzionalità del polso è ridotta, occorre intervenire chirurgicamente per liberare il nervo coinvolto. Gli outcome di questo intervento, e quindi anche la soddisfazione del paziente, possono essere molto variabili.
Da qui l’idea di un team di ricerca iraniano di utilizzare un algoritmo di intelligenza artificiale capace di prevedere sia gli esiti di un intervento di rilascio del nervo, sia la soddisfazione del paziente: nel loro studio, pubblicato su BMC Musculoskeletal Disorders, i ricercatori valutano l’efficacia di 4 diversi algoritmi nel fare previsioni su un gruppo di 303 pazienti affetti da sindrome del tunnel carpale e trattati per via chirurgica.
Caratteristiche dello studio
Di carattere retrospettivo, lo studio fa riferimento a 4 diverse tipologie di algoritmi di machine learning: random forest (RF), discesa del gradiente (GBM), supporto vettoriale (SVM) e K-vicini più prossimi (k-NN).
I parametri su cui basare la predizione presi in considerazione sono: età del paziente; indice di massa corporea; forza di presa della mano, misurata con un dinamometro Jamar; genere; durata dei sintomi; esiti elettrofisiologici; lato interessata; atrofia del muscolo tenar; dipendenza dal fumo di sigaretta; ipotiroidismo; presenza di segni specifici, come il segno di Phanel, di Tinel o di Durkan; anomalie elettromiografiche.
Questi stessi parametri sono stati usati per allenare i diversi algoritmi e predire gli outcome dell’intervento chirurgico, effettuato per tutti in anestesia locale.
In particolare, gli outcome presi in considerazione dagli autori sono i valori della scala di severità dei sintomi e della scala di stato funzionale, entrambe calcolate con il Boston Carpal Tunnel Questionnaire, e la soddisfazione del paziente, calcolata invece con un punteggio da 1 a 10 riportato direttamente dal paziente, dove 1 rappresenta il valore più basso e 10 il più alto. Vediamo le osservazioni riportate dal team di ricerca.
Il modello random forest è il più accurato
Il risultato più interessante portato da questo studio riguarda probabilmente la possibilità di usare algoritmi predittivi di machine learning per ottimizzare la fase di counseling e confronto pre-operatorio con il paziente, informandolo dei possibili risultati dell’intervento.
Inoltre, questi strumenti permetterebbero di individuare i pazienti per i quali l’intervento chirurgico non porterebbe vantaggi significativi, avviandoli ad altre strategie terapeutiche.
Tra i diversi modelli di machine learning analizzati il random forest è quello che si dimostra più efficace, nella predizione sia della soddisfazione del paziente che della funzionalità della mano.
In entrambi i casi, il modello random forest presenta infatti l’accuratezza maggiore rispetto agli altri metodi, così come la maggiore sensibilità e specificità.
Che dire degli altri modelli testati? Se si considera la soddisfazione del paziente, l’accuratezza diminuisce gradualmente andando dal supporto vettoriale, alla discesa di gradiente e, infine, al K-vicini più prossimi. La funzionalità della mano, invece, viene prevista bene dal modello K-vicini più prossimi, seguito dal modello di discesa del gradiente e, infine, dal supporto vettoriale.
Manoochehri Z, Manoochehri S, Bagheri S.R. et al. Machine learning applications in forecasting patient satisfaction and clinical outcomes after carpal tunnel release: a retrospective study. BMC Musculoskelet Disord 26, 813 (2025). https://doi.org/10.1186/s12891-025-09079-9.
