Intelligenza artificiale per migliorare la salute globale

Un articolo pubblicato sul Lancet il 2 marzo scorso sembra dimostrare le potenzialità dell’intelligenza artificiale nel miglioramento delle condizioni cliniche della popolazione mondiale. Lo studio, firmato da Perry Pickhardt et al., si è concentrato nell’estrarre informazioni rilevanti dal punto di vista della prognosi – e con distinzioni basate sui diversi quadri clinici su cui andavano a sovrapporsi – dai dati contenuti nelle immagini radiologiche. Questo risultato è stato ottenuto dopo aver individuato un gruppo di biomarcatori di imaging automatizzati in un campione di popolazione sottoposto a screening di prevenzione del cancro del colon-retto. Gli autori hanno così dimostrato che i risultati ottenuti da cinque diversi biomarcatori combinati ottenevano una performance molto più predittiva rispetto ai fattori attualmente valutati per determinare il rischio in altre situazioni cliniche, come l’indice di massa corporea, utile per stabilire i rischi correlati al sovrappeso e all’obesità, e la scala di Framingham, generalmente utilizzata per predeterminare il rischio di sviluppare patologie del sistema cardio-circolatorio.

L’utilità predittiva dei biomarcatori utilizzati nello studio ai fini della prognosi era già stata indagata e dimostrata in precedenza; la reale novità di questa ricerca sta nella dimostrazione che l’intelligenza artificiale possa rendere automatica l’estrazione di biomarcatori prestabiliti, calcolati appositamente in base allo scopo. Un algoritmo di questo genere, se opportunamente convalidato, avrebbe le potenzialità per individuare un enorme numero di individui ad alto rischio di problemi di salute nel futuro, rendendo la prevenzione più veloce ed efficiente e abbattendo i costi per la sanità pubblica.

Quotidianamente vengono acquisite montagne di dati ottenute tramite le tecniche di imaging, ma soltanto una piccola parte di queste informazioni viene utilizzata per confermare o individuare una condizione clinica. La grande maggioranza delle informazioni non viene nemmeno classificata poiché non esistono metodi affidabili ed efficienti per estrarre e quantificare i dati. Pickhardt e colleghi nel loro studio, come spiega il Lancet in un editoriale, hanno per l’appunto presentato esempi di come i più recenti progressi nell’ambito dell’intelligenza artificiale, in particolare nei campi dell’ingegneria e del deep learning, abbiano reso i volumi di produzione automatica dei dati basati sui biomarcatori così efficienti da rendere finalmente fruibili questi dati a scopi di ricerca, prevenzione e terapia. Questo approccio è in linea con quelli che si stanno elaborando e mettendo in pratica in altre branche della medicina: un esempio su tutti è il cambio di paradigma in corso nella radiologia, che va nella direzione di una “specializzazione principalmente soggettiva per una disciplina principalmente oggettiva”. L’applicazione principale di queste innovazioni potrebbe per l’appunto essere l’organizzazione di programmi di screening per patologie specifiche, oppure l’analisi “opportunistica” dei dati fuoriusciti da un esame di screening per individuare fattori di rischio per altre patologie. Quest’ultima applicazione potrebbe portare a benefici enormi poiché permetterebbe di individuare rischi altrimenti sconosciuti, con anticipo anche risolutivo, in un gran numero di individui e senza doverli convocare appositamente per sottoporsi a uno specifico esame.

Di contro, lo sviluppo di questi algoritmi potrebbe portare a un flusso eccessivo di informazioni senza un corrispondente beneficio clinico reale. È necessario quindi valutare quali sarebbero le implicazioni tangibili dell’introduzione di metodi di questo genere prima di pensare di metterle davvero in pratica su larga scala.