Una delle maggiori sfide dei sistemi sanitari di oggi è la gestione della enorme quantità di dati e immagini diagnostiche prodotte dalle tecnologie medicali disponibili. L’artificial intelligence si stia rivelando uno strumento di supporto alla gestione multidisciplinare del percorso di cura del paziente, un aiuto alle decisioni cliniche in molte applicazioni, dalla diagnostica per immagini alla terapia, al follow up del paziente. Anche nella gestione dell’emergenza COVID-19 gli algoritmi di AI hanno facilitato il lavoro ai medici radiologi, accelerando i tempi di refertazione e la diagnosi di infezione. In ambito oncologico l’AI sta trovando applicazione, associando i dati clinici del singolo individuo ai più recenti risultati della ricerca scientifica.
L’AI e la crescita della diagnostica per immagini
Se pensiamo all’ambito della Diagnostica per Immagini, da un recente studio inglese (1) risulta che negli ultimi 10 anni il numero degli esami CT (Computed Tomography) e MR (Magnetic Resonance) prodotti è aumentato del 10-12% ogni anno, mentre la forza lavoro dei medici radiologi è cresciuta soltanto del 3% ogni anno.
L’aumento della richiesta di esami diagnostici è anche una delle cause dell’aumento della quantità di dati prodotti: se nel 2010 i dati medicali raddoppiavano ogni 3,5 anni, nel 2020 il raddoppio avviene ogni 73 giorni. Tenendo conto che un radiologo oggi interpreta un’immagine ogni 3-4 secondi per 8 ore al giorno si comprende come sia impensabile tenere il passo con la produzione dei dati e delle immagini senza perdere accuratezza diagnostica: è stato calcolato che dimezzando il tempo di interpretazione di un esame, il tasso di errore aumenta del 16,6%.
Uno studio americano (2) riporta che i costi legati a errori diagnostici e inefficienze sono pari a 585 miliardi di dollari.
Ma come l’AI può aiutare a risolvere questa sfida? Sappiamo che l’AI è basata su l’apprendimento automatico e che gli algoritmi hanno necessità di essere allenati con una grande quantità di dati e immagini per poter restituire un risultato attendibile. Attualmente solo alcune tra le maggiori aziende tecnologiche che operano nel mercato sanitario hanno brevettato algoritmi di AI, sviluppandoli e testandoli sulle loro infrastrutture di super-computing con data lake di dati e immagini prodotti dai sistemi proprietari. Questi algoritmi sono basati su machine learning e deep learning e trovano applicazione nei sistemi di supporto alle decisioni cliniche: tra i più recenti c’è sicuramente l’applicazione in ambito di diagnosi per COVID-19.
In particolare, nel percorso di cura dei pazienti COVID-19, gli algoritmi di AI sono di supporto alla refertazione degli esami diagnostici CT ai polmoni: i sistemi di post-processing delle immagini del torace basati su AI propongono al radiologo l’identificazione e la quantificazione automatica di lesioni polmonari associabili a COVID-19 e ne misurano la severità del danno, supportando la refertazione sia in fase di prima diagnosi che di monitoraggio del paziente per follow up.
Oltre all’applicazione in ambito di esami CT torace per diagnosi COVID-19, l’AI viene applicata nel post processing automatico di esami di altri distretti corporei quali l’encefalo o la prostata e su immagini prodotte anche da altre modalità diagnostiche come i sistemi MR.
Artificial intelligence e percorsi di cura oncologici
Un altro ambito di applicazione degli algoritmi di AI nel supporto alle decisioni cliniche riguarda i percorsi di cura dei pazienti oncologici, dove la diagnosi e il trattamento sono tanto più efficaci quanto più vengono personalizzati per il singolo paziente, tenendo conto di diversi elementi: la storia del paziente, la sua familiarità con la patologia, lo stile di vita, i risultati degli esami clinici passati e recenti, la prognosi individuale, ma anche i recenti risultati della ricerca scientifica e le ultime linee guida di trattamento sulla patologia, perché ciò che può essere adatto per un paziente può non esserlo per un altro.
Gli strumenti di supporto alle decisioni cliniche in ambito oncologico possono aiutare a rispondere a sfide che riguardano l’appropriatezza dei piani di trattamento: uno studio del Journal of Clinical Oncology riporta che il 26% dei piani di trattamento oncologici sono inappropriati e un altro recente studio americano (3) riporta che la non aderenza alle linee guida è causa del 14% di riammissioni ospedaliere e del 29% di aumento di complicazioni cliniche.
L’AI diventa allora un supporto prezioso nella gestione di tutte le fasi del percorso di cura oncologico (diagnosi, planning, terapia e follow up) su due temi: da una parte nella standardizzazione intesa come riduzione delle variazioni indesiderate nei processi e dall’altra nella personalizzazione ovvero nell’allineare le decisioni cliniche alle linee guida e alla Evidence Based Medicine.
La funzione degli algoritmi
In particolare, per la standardizzazione gli algoritmi di AI vengono impiegati direttamente sulle tecnologie diagnostiche, automatizzando step operativi fino a ieri svolti manualmente dal personale, come il posizionamento dei pazienti sui sistemi diagnostici o l’impostazione dei protocolli di esecuzione degli esami, garantendo l’accuratezza degli esami diagnostici indipendentemente dalla tipologia di paziente, dallo staff che esegue l’esame e dalle condizioni operative. Il posizionamento del paziente avviene attraverso l’utilizzo di video camere 3D che posizionano automaticamente il paziente all’isocentro del sistema, garantendo l’accuratezza dell’esame e la riproducibilità, indispensabile per il follow up dei pazienti oncologici. I protocolli di esecuzione dell’esame vengono automatizzati grazie ad algoritmi che ottimizzano i parametri di acquisizione del sistema sulla base dei reperti anatomici del paziente, andando anche a ridurre la dose di radiazioni al paziente e all’operatore in caso di esami CT o esami radiologici tradizionali.
Sul tema della personalizzazione, gli algoritmi di AI danno accesso a tutte le informazioni rilevanti del paziente, organizzate in order sets specifici e strutturate utilizzando il Natural Language Processing per l’estrazione dei dati dal testo libero delle cartelle cliniche elettroniche. Inoltre, garantiscono l’aderenza alle linee guida di trattamento, attraverso un risk assessment specifico per il paziente e una mappatura automatica dello status del paziente lungo il percorso di cura. Ciò va a beneficio della condivisione dei casi all’interno di team multidisciplinari, tema sempre più attuale con la recente costituzione dei Molecular Tumor Board, ovvero team di esperti clinici (chirurgo, anatomo-patologo, radiologo, oncologo, radioterapista, genetista) dedicati alle terapie personalizzate nella cura dei tumori. Ma il maggior beneficio risulta nell’eliminazione del tempo dedicato ad attività a basso valore aggiunto, quali la raccolta e l’organizzazione delle informazioni, a favore di un maggior tempo dedicato alla condivisione dell’appropriato percorso di cura nel rapporto medico-paziente.
- The Royal College of Radiologists. Diagnostic radiology: Our patients are still waiting … London: The Royal College of Radiologists, 2016.
- Best Care at Lower Cost: The Path to Continuously Learning Health Care in America. Committee on the Learning Health Care System in America; Institute of Medicine; National Academies Press (US); 2013.
- https://www.ajmc.com/view/choosing-wisely-clinical-decision-support-adherence-and-associated-inpatient-outcomes
