La Mortalità Evitabile nelle Regioni Italiane

E’  diminuita in media del 28% nelle regioni italiane tra il 2006 ed il 2018

L’Istat-BES calcola il valore della mortalità evitabile nelle regioni italiane. La mortalità evitabile è costituita dai decessi di persone che hanno una età compresa tra 0 e 74 anni la cui causa di morte è considerata come trattabile ovvero si tratta di decessi che si sarebbero potuti evitare grazie all’assistenza sanitaria, alla prevenzione ed ai trattamenti sanitari o che sarebbe stata prevenibile con interventi di prevenzione primaria. L’indice è su di una base di 10.000 abitanti.

Ranking delle regioni italiane per mortalità evitabile nel 2018. La Campania è al primo posto per valore della mortalità evitabile con un ammontare nel 2018 pari a 20,9, seguita dalla Sicilia con un valore di 18,8 unità e dal Molise con un valore pari a 17,9 unità. A metà classifica vi sono la Valle d’Aosta con un ammontare della mortalità evitabile nel 2018 pari ad un ammontare di 17,2, seguita dal Friuli-Venezia Giulia con un ammontare pari a 17,00 e dalla Liguria con 16,9 unità. Chiudono la classifica l’Umbria e le Marche con un valore pari a 14,8 unità ed il Trentino-Alto Adige con un ammontare pari a 14,1 unità. In media nel 2018 nelle regioni italiane si sono verificati 17 decessi evitabili ogni 10.000 abitanti.

Ranking dei paesi per variazione percentuale delle morti evitabili tra il 2006 ed il 2018. La Liguria è al primo posto per valore della variazione percentuale delle morti evitabili tra il 2006 ed il 2018 con un ammontare pari a -22,48% pari ad una riduzione di -4,90 unità, seguita dall’Abruzzo con una riduzione di -22,58% pari ad un ammontare di -4,90 e dal Molise con una variazione di -24,15% pari ad un ammontare di -5,70 unità. E metà classifica vi sono il Lazio con un ammontare pari a -26,86% pari ad un ammontare di -6,50 unità, seguito dalla Campania con una variazione di -27,43% pari ad un valore di -7,90 unità, e dalla Toscana con un ammontare di -27,96% pari ad un ammontare di -5,90 unità. Chiudono la classifica la Lombardia con una variazione pari a -33,19% pari ad un ammontare di 7,80 unità, seguita dal Trentino-Alto Adige con un valore di -35,62% pari ad un ammontare di -7,80 unità, e dalla Valle d’Aosta con una variazione di -40,07% pari ad una variazione di -11,50 unità. Complessivamente in media le morti evitabili nelle regioni italiane sono diminuite tra il 2008 ed il 2016 il valore delle morti evitabili è diminuito di un ammontare di -28,56% pari ad un ammontare di -6,70 unità.

Macro-Regioni Italiane. Il valore delle morti evitabili è diminuito sia nel Nord che nel Centro che nel Mezzogiorno d’Italia. Tra il 2006 ed il 2018 il valore delle morti evitabili è diminuito da un ammontare di 23 fino ad un valore di 15,9 ovvero pari ad una variazione di -7,1 unità pari ad una variazione di -30,86%. Tra il 2006 ed il 2018 il valore delle morti evitabili è diminuito nel Centro Italia da un ammontare di 22,4 unità fino ad un valore di -16,3 unità ovvero pari ad una variazione di -6,1 unità pari ad una variazione di -27,23%. Nel Mezzogiorno il valore delle morti evitabili è diminuito da un ammontare di 25 unità fino ad un ammontare di 18,5 unità ovvero pari ad una variazione di -6,5 unità pari ad una variazione del -26,00%.

Clusterizzazione con algoritmo k-Means: Silhouette Vs Elbow. Di seguito viene analizzato un modello di clusterizzazione con algoritmo k-Means. Per ottimizzare l’algoritmo k-Means viene ad essere presentato un confronto tra il metodo del coefficiente di Silhouette ed il metodo di Elbow. Con riferimento all’utilizzo del coefficiente di Silhouette è possibile individuare due clusters indicati di seguito ovvero:

• Cluster 1: Sicilia, Lazio, Sardegna, Valle d’Aosta, Calabria, Campania, Piemonte, Friuli-Venezia Giulia, Basilicata;
• Cluster 2: Toscana, Emilia-Romagna, Veneto, Umbria, Trentino-Alto Adige, Marche, Puglia, Liguria, Lombardia, Abruzzo, Molise.

E’ possibile quindi analizzare il valore delle mediane dei cluster 1 e 2 e ne deriva che il valore mediano delle morti evitabili del cluster 1 è pari ad un ammontare di 17,5 unità, seguito dal cluster 2 con un valore pari a 15,3. Ne deriva pertanto il seguente ordinamento ovvero: C1=17,5>C2=15,3. Dal punto di vista dell’analisi geografica risulta essere evidente la contrapposizione tra le regioni orientali che hanno un valore più basso di mortalità evitabile rispetto alle regioni occidentali che hanno un valore di mortalità evitabile più elevato.

Di seguito è stato realizzato un modello di clusterizzazione con il metodo di Elbow che mette in relazione il numero di K con il valore di SSq. Attraverso l’utilizzo del metodo di Elbow è quindi possibile individuare un numero di cluster pari a 3.

E’ possibile quindi ricalcolare il numero ottimale dei clusters considerando k=3 e ne deriva la seguente clusterizzazione realizzata con k-Means ovvero:

• Cluster 1: Sardegna, Lazio, Calabria, Piemonte, Valle d’Aosta, Sicilia, Friuli-Venezia Giulia, Basilicata, Molise, Abruzzo;
• Cluster 2: Toscana, Veneto, Emilia-Romagna, Umbria, Trentino-Alto Adige, Marche, Puglia, Lombardia, Liguria;
• Cluster 3: Campania.

Tuttavia, confrontando la clusterizzazione con l’algoritmo k-Means ottimizzata con il coefficiente di Silhouette confrontata con la clusterizzazione realizzata con l’algoritmo k-Means ottimizzato con il metodo di Elbow è possibile verificare che nel passaggio tra una clusterizzazione con k=2 ad una clusterizzazione con k=3 non aumenta significativamente la capacità esplicativa del modello. Infatti, l’unica vera differenza tra il modello realizzato con il coefficiente di Silhouette ed il modello realizzato con il metodo di Elbow consiste nel fatto che nel modello suggerito dal metodo di Elbow vi è un terzo cluster che però ha solo un elemento, ovvero la Campania, che è leader in termini di morti evitabili.

Network Analysis.  Di seguito viene presentata una analisi realizzata con la network analysis. La network analysis viene ad essere realizzata mediante la distanza euclidea. Sono quindi indicati i seguenti elementi caratteristici della network analysis ovvero:

• Number of nodes: 20;
• Number of edges: 40;
• Average degree: 4;
• Density: 0,2105.

Vengono quindi riscontrate quattro diverse tipologie di strutture reticolare delle quali due sono complesse e due invece sono di tipo biunivoco.

Una prima struttura complessa che viene rilevata mette insieme le seguenti regioni ovvero: Emilia-Romagna, Toscana, Veneto, Umbria, Trentino-Alto Adige. Ne derivano le seguenti relazioni:

• L’Emilia-Romagna è collegata alla Toscana con un link avente un valore pari a 0,81, ed al Veneto con un link avente un valore pari a 0,92;
• La Toscana è collegata all’Emilia Romagna con un link avente un valore pari a 0,81, al Veneto con un link avente un valore di 0,73, ed all’Umbria con link avente un valore di 0,77;
• Il Veneto è collegato all’Emilia Romagna con un valore pari a 0,92, alla Toscana con un valore pari a 0,73 unità ed al Trentino-Alto Adige con un valore pari a 0,71 unità;
• Il Trentino-Alto Adige è connesso al Veneto con un link avente un valore pari a 0,71 unità;
• L’Umbria è connessa alla Toscana con un valore pari a 0,77 unità.

Una seconda struttura complessa a rete è costituita dall’insieme di tre diverse regioni ovvero Sardegna, Calabria e Lazio. In modo particolare:

• Il Lazio è connesso alla Sardegna con un link avente un valore di 0,51 unità, ed alla Calabria con un link avente un valore di 0,76;
• La Sardegna è connessa al Lazio con un link avente un valore di 0,51 ed alla Calabria con un valore pari a 0,87;
• La Calabria è connessa al Lazio con un link avente valore pari a 0,76 ed alla Sardegna con un link avente valore di 0,87.

A tali strutture reticolari complesse vanno aggiunti due strutture a link semplici biunivoche indicate di seguito ovvero:

• Connessione biunivoca tra Liguria e Puglia con un valore del link pari a 0,67;
• Connessione biunivoca tra Friuli-Venezia Giulia e Piemonte con un link avente un valore pari a 0,88.

Occorre considerare che la struttura a cluster non indica in alcun modo la presenza di relazioni causali quanto piuttosto la presenza di un insieme di dinamiche similari tra le strutture dei dati.

Machine Learning and Predictions. Di seguito sono stati applicati otto diversi algoritmi di machine learning per la predizione del valore della mortalità evitabile nelle regioni italiane. Gli algoritmi sono stati addestrati con il 70% dei dati disponibili mentre il restante 30% è stato utilizzato per la predizione vera e propria. La performance degli algoritmi è stata analizzata sulla base della capacità di massimizzare l’R-squared e di minimizzare i seguenti errori statistici ovvero: “Mean Absolute Error”, “Mean Squared Error”, “Root Mean Squared Error”. Di seguito viene quindi realizzato il seguente ordinamento degli algoritmi per capacità predittiva ovvero:

• PNN-Probabilistic Neural Network con un valore del payoff pari a 4;
• Random Forest Regression con un valore del payoff pari a 8;
• Tree Ensemble Regression con un valore del payoff pari a 13;
• Gradient Boosted Tree con un valore del payoff pari a 15;
• Simple Regression Tree con un valore del payoff pari a 20;
• ANN-Artificial Neural Network con un valore del payoff pari a 25;
• Polynomial Regression con un valore del payoff pari a 27;
• Linear Regression con un valore del payoff pari a 32.

Pertanto, applicando l’algoritmo maggiormente performante ovvero il PNN-Probabilistic Neural Network è possibile predire le seguenti variazioni dell’indice della mortalità evitabile per le regioni indicate ovvero:

• Friuli-Venezia Giulia con una variazione aumentativa da un ammontare di 17,00 fino ad un valore di 17,5 ovvero una variazione pari a 0,5 unità pari ad un ammontare di 2,9;
• Emilia-Romagna con una variazione aumentativa da un ammontare di 15,3 fino ad un valore di 15,7 unità ovvero pari ad un valore di 0,4 unità pari ad un valore di 2,6%;
• Marche con una variazione aumentativa da un ammontare di 14,8 unità fino ad un valore di 15,2 unità ovvero pari ad una variazione assoluta di 0,4 unità equivalente ad un valore di 2,7%;
• Lazio con una variazione aumentativa da un ammontare di 17,7 unità fino ad un valore di 17,4 unità ovvero pari ad una variazione di -0,3 unità pari ad un ammontare di -1,69%;
• Molise con una variazione diminutiva da un ammontare di 17,9 unità fino ad una variazione di 17,5 unità ovvero pari ad una variazione di -0,4 unità pari ad un ammontare di 2,23%:
• Puglia con una variazione aumentativa da un ammontare di 16,5 unità fino ad un valore di 16,9 unità ovvero pari ad una variazione di 0,4 unità pari ad una variazione di 2,42%;

Pertanto, l’applicazione dell’algoritmo maggiormente performante predice un aumento della mortalità evitabile di un ammontare pari a 0,16 unità ovvero pari all’1,00% in media per le regioni analizzate.

Conclusioni. L’analisi della mortalità evitabile manifesta certamente un andamento positivo dal punto di vista temporale. Infatti, nella serie storica presentata la mortalità evitabile si riduce praticamente in tutte le regioni italiane nel periodo tra il 2006 ed il 2018. Tuttavia, vi sono ancora delle significative divergenze di tipo territoriale anche se in questo caso non è possibile rinvenire lo schema della contrapposizione Nord-Sud. Infatti, vi sono delle regioni del Sud che performano bene in termini di riduzione della mortalità evitabile come, per esempio, la Puglia e l’Abruzzo. Al contrario vi sono delle regioni del Nord che hanno invece dei livelli alti in termini di mortalità evitabile come per esempio il Piemonte. Tuttavia, è pure vero che la maggior parte delle regioni che hanno dei valori elevati di mortalità evitabile sono regioni meridionali come per esempio la Campania, la Calabria, la Sicilia. Inoltre, occorre considerare che i dati analizzati si fermano al 2018. E molto probabilmente il valore della mortalità evitabile è aumentato significativamente durante la pandemia del covid 19.

RIPRODUZIONE RISERVATA ©