Con un numero di casi in continuo aumento,il diabete è una delle più gravi minacce per la salute pubblica mondiale. Entro il 2050, si prevede che ci saranno 1,31miliardi di persone affette da diabete, con una prevalenza superiore al 10% in diverse aree geografiche.
Il diabete mellito di tipo 2 (DMT2), in particolare, costituisce il 96% dei casi di diabete e può essere almeno in parte prevenuto modificando gli stili di vita delle persone a rischio, tra cui i soggetti in età adulta o avanzata, con un elevato indice di massa corporea (IMC), sedentari e con condizioni socioeconomiche svantaggiate.
Indice degli argomenti
Diabete: l’importanza della prevenzione
Per ridurre la spesa sanitaria e migliorare la qualità della vita dei pazienti, è fondamentale identificare la patologia nelle sue fasi iniziali, quando è ancora asintomatica.
In Italia, attualmente non è previsto uno screening generale per il diabete di tipo 2, ad eccezione di Bolzano, dove si utilizza un questionario basato sulle linee guida della US Preventive Services Task Force (USPSTF) per individuare e sottoporre i soggetti a rischio a misurazione dell’emoglobina glicata, gold standard nella diagnosi della patologia.
La diagnosi di diabete grazie all’Intelligenza Artificiale applicata ad una comune radiografia del torace
In uno studio pubblicato su Nature Communications, i ricercatori hanno dimostrato che l’esame radiologico più comune, la radiografia anteroposteriore del torace, può essere integrato ai dati della cartella clinica del paziente per diagnosticare il diabete mellito di tipo 2.
Per ottenere questo risultato, è stato sviluppato un algoritmo basato sul deep learning applicato alle immagini radiografiche del torace che, unito ad alcune informazioni cliniche del paziente, può diagnosticare la patologia con una buona accuratezza.
Questo strumento si rivela utile anche nella prevenzione del diabete, identificando i soggetti a rischio e indirizzandoli verso la misurazione dell’emoglobina glicata.
Diabete e Intelligenza Artificiale: due modelli a confronto
I ricercatori hanno addestrato il modello utilizzando quasi 300.000 radiografie toraciche e lo hanno successivamente integrato a un algoritmo basato solo su alcuni dati clinici (età, IMC, sesso, etnia, lingua primaria e indice sociodemografico).
Utilizzando una coorte prospettiva di circa 15.000 pazienti, hanno successivamente mostrato che l’utilizzo del modello contenente sia i dati clinici che la radiografia del torace poteva diagnosticare o predire la presenza di diabete con una maggiore accuratezza rispetto all’algoritmo privo dei dati derivanti dallo studio delle radiografie (area sottesa alla curva ROC di 0.84 contro 0.79).
Tra i pazienti identificati come affetti da diabete mellito di tipo 2, inoltre, il 14% non era ancora stato diagnosticato e non era stato sottoposto alla misurazione dell’emoglobina glicata, suggerendo l’utilità del modello anche ai fini dello screening.
È interessante notare come, di questi pazienti, circa il 10% non sarebbe rientrato nei criteri per lo screening secondo l’USPSTF.
Diabete: superare i limiti dell’Intelligenza Artificiale
Uno dei principali ostacoli nell’applicazione del machine learning e dell’Intelligenza Artificiale è il concetto di “black box” o “scatola nera”, secondo cui le operazioni avvengono in modo imperscrutabile e indecifrabile, lasciando l’utente finale incapace di comprendere il processo alla base di un particolare risultato.
Per superare questa sfida, sono state impiegate tecniche di spiegazione, come l’occlusion mapping e la gifsplanation, per individuare le caratteristiche riconosciute dal modello come rilevanti. Queste caratteristiche includono la distribuzione del grasso in specifiche regioni del torace e l’attenuazione delle immagini delle coste e della clavicola, dettagli impercettibili all’occhio clinico.
È stato inoltre dimostrato come il modello non presentasse alcun pregiudizio etnico, un aspetto fondamentale nell’utilizzo dell’Intelligenza Artificiale in Medicina.
Medicina personalizzata: fondamentale l’interoperabilità dei dati
La nuova rivoluzione digitale è destinata a impattare il settore sanitario, trasformandolo profondamente e in tempi brevi. La “diagnosi opportunistica” citata nell’articolo, in grado di sfruttare nuove metodiche per integrare dati già in possesso del paziente oppure derivanti da esami richiesti per patologie diverse, è solo una delle possibili applicazioni del progresso tecnologico in Medicina.
Tuttavia, per permettere a questa rivoluzione di realizzare il suo pieno potenziale, è necessario un nuovo approccio nell’utilizzo dei dati.
È essenziale creare una piattaforma centrale che consenta la comunicazione tra i diversi software utilizzati nell’ambito della Sanità, la portabilità dei dati per i pazienti e l’adozione di un linguaggio standardizzato per catalogare le informazioni.
Ogni individuo che abbia usufruito di servizi del Sistema Sanitario ha lasciato dietro di sé dati preziosi, i quali potrebbero dimostrarsi utili in futuro, quando verranno utilizzati strumenti ancora in fase sperimentale o non ancora concepiti.
Questi dati potrebbero rivelarsi fondamentali per la prevenzione, diagnosi e cura delle malattie in modo personalizzato, consentendo l’adattamento delle terapie alle specifiche esigenze di ogni paziente.
In sintesi, la rivoluzione della sanità guidata sui dati è destinata a essere una realtà imminente. Per concretizzare appieno il suo potenziale, è essenziale investire nella creazione di un sistema di interoperabilità dei dati, permettendo di sfruttare il valore di ogni informazione medica.
Attraverso la collaborazione tra ricerca, istituzioni sanitarie, industria tecnologica e organi di governo possiamo plasmare un futuro in cui la medicina personalizzata diverrà una realtà accessibile a tutti, offrendo cure più precise, efficaci e, allo stesso tempo, più accessibili.
