In data 17 gennaio 2025, presso il Polo Liceale Statale “R. Mattioli”, si è svolto l’incontro “A. I. in medicine: are we in a new era yet?” tenuto da Iolanda Russo, Professor of Anesthesiology & Adjunct Professor of Surgery VCU presso Richmond Medical School, USA.
L’intervento della prof.ssa Russo ha fornito agli studenti diversi spunti interessanti: dopo aver delineato diacronicamente l’evoluzione dell’AI, dagli anni ’30 ai moderni concetti di reti neurali e deep learning, si è trattato il ruolo dell’AI in ambito più strettamente clinico e chirurgico, con piccoli accenni allo sviluppo di robot e a nuove frontiere aperte in ambito anestesiologico.
Il deep learning è un sottoinsieme dell’AI che si basa su modelli matematici per emulare l’elaborazione delle informazioni neuronali. Le reti neurali artificiali (ANN) sono progettate per emulare le connessioni neuronali all’interno del cervello umano. I nodi nelle ANN rappresentano i neuroni, che ricevono input dai nodi circostanti nella rete e inviano output ad altri nodi; questo genera un percorso interdigitante che consente alle informazioni di essere elaborate e trasmesse da nodo a nodo, proprio come la rete neuronale che costituisce il sistema nervoso centrale umano.
Le Reti Neurali Convoluzionali (CNN) sono una sottocategoria delle ANN che possono ricevere e inviare dati multidimensionali. Queste reti possono trasmettere dati più complessi e sono utili per compiti come il riconoscimento spaziale, l’elaborazione audio e l’elaborazione del linguaggio. Ad esempio, queste CNN possono utilizzare la sintomatologia delle malattie e le immagini cliniche per arrivare a una diagnosi clinica, proprio come farebbe un medico formato.
Molto coinvolgente per il pubblico è stata la presentazione del sistema chirurgico da Vinci, un sistema di chirurgia robotica consistente in una console del chirurgo, che di solito si trova nella stessa stanza del paziente, e un carrello a lato del paziente con tre o quattro braccia robotiche interattive (a seconda del modello) controllate dalla console. Le braccia tengono gli strumenti e possono agire come bisturi, forbici, bovie o pinze. Il chirurgo utilizza i comandi della console per manovrare le braccia robotiche del carrello a lato del paziente. Il sistema richiede sempre un operatore umano.
L’interpretazione delle immagini radiologiche è tradizionalmente eseguita da medici altamente formati che utilizzano un approccio metodico per confrontare immagini normali e anormali al fine di giungere a una diagnosi clinica. Il Computer-Aided Detection (CAD) è un’applicazione dell’AI che aiuta i clinici e riduce il numero di diagnosi mancate durante la revisione degli studi di imaging. Questi algoritmi sono progettati per evidenziare pattern potenzialmente anomali nelle immagini, attirando l’attenzione dei clinici. È importante notare che queste applicazioni non intendono sostituire il medico, ma sono progettate per aiutarlo nell’interpretazione guidata, riducendo così il tasso di falsi negativi. Fin dagli anni ’70, l’analisi dei pixel ha permesso agli algoritmi di AI di identificare irregolarità negli studi di imaging, con l’obiettivo di rilevare anomalie anche metastatiche. Oggi algoritmi più recenti consentono l’interpretazione della Risonanza Magnetica (RM) e dell’ecografia a livello dei medici praticanti.
Le applicazioni degli algoritmi di AI nell’elaborazione delle immagini radiologiche sono solo alcuni esempi del vasto repertorio di ricerche condotte riguardo alle applicazioni mediche dell’AI. L’AI è stata anche utilizzata per prevedere il rischio di malattia nei pazienti, per il triage e la diagnostica, per l’ingegneria genetica, nonché per molte altre applicazioni. Nella genomica, ad esempio, gli algoritmi di AI possono analizzare sequenze di DNA per identificare variazioni genetiche o mutazioni che potrebbero essere collegate a malattie o condizioni specifiche.
Riconoscendo schemi in queste sequenze, l’AI può aiutare nella diagnosi di disturbi genetici, nella previsione dei rischi di malattia o nell’identificazione di potenziali bersagli terapeutici. Per quanto riguarda la possibile previsione di processi metastatici in neoplasie maligne, sebbene non sia ancora disponibile un apparecchio/programma che sia in grado di prevedere sistematicamente la formazione di metastasi, è rilevante un caso riportato in letteratura in cui un gruppo di ricerca è riuscito a sviluppare un modello AI in grado di prevedere la formazione di metastasi distali del cancro al seno sfruttando marker ematici e dati a ultrasuoni. In ambito anestesiologico, è stato dimostrato che un modello di deep learning può prevedere eventi ipotensivi intraoperatori a intervalli di cinque, dieci e quindici minuti, basandosi sui biosignali elettrocardiografici, fotopletismografici e capnografici, ergo tramite il monitoraggio di routine invasivo (se includente, oltre agli imput precedetti, anche il valore della pressione arteriosa) e non invasivo dei pazienti.
Le direzioni future per l’integrazione dell’AI nella sanità dovrebbero prioritizzare lo sviluppo e l’implementazione di framework etici e linee guida standardizzate. La collaborazione tra le parti interessate, tra cui clinici, ricercatori, eticisti e responsabili politici, è fondamentale per garantire che le tecnologie basate sull’AI siano in linea con i principi etici e la cura centrata sul paziente.
Michelangelo Grimaldi