I ricercatori dell'Universit� di G�teborg hanno sviluppato FRACTURE-ML, un sistema basato su deep learning progettato per calcolare la probabilit� di frattura del femore senza richiedere visite specialistiche preliminari o questionari compilati dai pazienti. Analizzando i dati di 3.542.647 cittadini svedesi con et� pari o superiore a 50 anni, il modello ha dimostrato la capacit� di individuare i soggetti ad alto rischio attingendo esclusivamente ai database sanitari nazionali.
La sperimentazione, pubblicata negli ultimi giorni del mese di agosto 2026, ha preso in esame una coorte seguita per un periodo mediano di 9,04 anni, intervallo in cui sono state registrate 142.327 fratture dell'estremit� prossimale del femore. Il gruppo di ricerca ha inizialmente catalogato 139.980 variabili predittive, comprendenti diagnosi ospedaliere, prescrizioni farmacologiche, procedure chirurgiche e indicatori socioeconomici, per poi addestrare architetture basate su DeepSurv, XGBoost e modelli di regressione di Cox.
La configurazione completa di DeepSurv su 2.500 variabili ha raggiunto un'area sotto la curva ROC (dove ROC sta per Receiver Operating Characteristic, un grafico che misura l'affidabilit� di un modello di classificazione al variare della soglia) pari a un'AUC (Area Under the Curve, ovvero l'area totale sottesa da tale curva, dove un valore di 1 indica una predizione perfetta e 0,5 equivale al caso casuale) di 0,89 a un anno e di 0,88 a due anni. Lo studio ha evidenziato come una variante semplificata a 35 parametri chiave mantenga prestazioni quasi identiche, attestandosi su una AUC di 0,87 a due anni e 0,85 a cinque anni. Tra i fattori determinanti spiccano l'et� anagrafica, il sesso, il volume di prescrizioni farmacologiche nell'ultimo anno, lo stato civile e i disturbi psichiatrici correlati all'abuso di alcol.
