La diabetologia italiana è pronta e in prima linea per affrontare questa nuova frontiera
L’intelligenza artificiale non è ancora un appuntamento fisso in medicina, ma potrebbe presto cambiare il modo in cui i medici si avvicinano alle cure mediche, compresa la previsione e la diagnosi delle complicanze del diabete.
Utilizzando l’intelligenza artificiale, un operatore sanitario può combinare grandi fonti di dati per acquisire un’immagine di dove si trova un paziente in un determinato momento, identificare gli esiti di quelli con particolari combinazioni di dati e quindi calcolare la probabilità che un singolo paziente svilupperà uno specifico condizione o complicazione, secondo David C. Klonoff, MD, FACP, FRCP (Edin), Fellow AIMBE, professore clinico di medicina presso l’Università della California, San Francisco, e direttore medico del Diabetes Research Institute presso il Mills-Peninsula Medical Center .
“L’idea è che le informazioni siano così dettagliate e tu abbia accesso a così tanti pazienti nel tuo ampio database che puoi fare una buona previsione di cosa accadrà dopo”, ha detto Klonoff.
L’IA gioca un ruolo fondamentale qui: mentre i singoli medici possono analizzare quantità relativamente piccole di informazioni, l’IA può gestire grandi quantità di dati da molte fonti. Questa capacità è il motivo per cui potrebbe rivelarsi così rivoluzionaria nel regno della cura del diabete.
“Non è che la conclusione sia al di là di ciò che può arrivare il cervello umano. In effetti, gli umani potrebbero in genere giungere alla stessa conclusione. Tuttavia, ci sono così tante combinazioni di dati e, in alcuni casi, le relazioni sono molto piccole. Per sommare tutte queste relazioni, un essere umano avrebbe bisogno di mesi o addirittura anni per giungere a una conclusione”, ha detto Klonoff. “Quindi, mentre in teoria il cervello umano potrebbe farlo, la situazione pratica è che per un dato paziente il medico non ha mesi o anni per giungere a una conclusione. Vogliono fare immediatamente quella previsione e per questo abbiamo i computer e l’attività di elaborazione denominata AI.
Una moltitudine di dati
Quando si considera l’IA nella cura del diabete, sono disponibili numerose fonti di dati, tra cui genetica, genomica, esami del sangue, cartelle cliniche, cartelle farmaceutiche e richieste di risarcimento assicurativo, secondo Klonoff.
Per il diabete in particolare, ha osservato Klonoff, sono importanti anche i dati sul metabolismo provenienti da dispositivi indossabili, come i monitor continui del glucosio o gli esercizi, e il monitoraggio fisiologico del sistema cardiovascolare con strisce ritmiche, dispositivi indossabili per la pressione sanguigna o tracker della respirazione. Inoltre, dovrebbero essere prese in considerazione le informazioni sul comportamento e sull’ambiente.
Sebbene la quantità di dati possa essere scoraggiante, avere più fonti di informazioni può mitigare gli oneri gravanti sul paziente e sul medico, ha osservato Klonoff. I dati genetici e genomici offrono informazioni da due diverse prospettive sulla suscettibilità di un paziente a una condizione specifica, mentre gli esami del sangue possono diagnosticare diverse malattie o sollevare segnali d’allarme su futuri problemi di salute. Le richieste di risarcimento assicurativo possono colmare le lacune nella storia clinica di un paziente ei dati farmaceutici possono fornire informazioni sull’aderenza al trattamento.
“Ogni informazione da sola potrebbe tradursi solo in una leggera differenza di rischio, forse solo aumentandola dell’1%. Tuttavia, se qualcos’altro aumenta il rischio di un altro 1% e così via, può effettivamente diventare un numero significativo”, ha affermato Klonoff.
Per fare una previsione, l’IA confronta le informazioni di un paziente specifico con quelle di pazienti con caratteristiche simili. In questo caso, l’obiettivo è abbinare il paziente il più vicino possibile agli altri all’interno del set di dati.
“Più puoi definire chi è il tuo paziente, meglio puoi fare un confronto”, ha detto Klonoff. “Quando i medici effettuano studi utilizzando l’intelligenza artificiale, cercano di caratterizzare ciascuno dei pazienti nel modo più specifico possibile in modo da confrontare davvero persone che sono molto simili nel loro rischio”.
Un difetto in questo sistema, tuttavia, è che i dati del mondo reale non sono solo di natura retrospettiva, ma spesso non sono nemmeno alla pari con la qualità riscontrata in uno studio clinico randomizzato. In tali prove, i dati vengono raccolti in modo più meticoloso. Al contrario, la cartella clinica elettronica, che fornirebbe in gran parte le informazioni utilizzate dall’IA nella pratica clinica di routine, è stata progettata per curare i pazienti, non per scopi di ricerca, e quindi potrebbe essere incompleta, ha osservato Klonoff.
Anche così, gli studi clinici randomizzati esaminano domande molto specifiche, il che complica l’estrapolazione delle loro conclusioni.
“In genere, quando confronti il ??tuo paziente con i dati di uno studio clinico randomizzato, troverai forse centinaia di pazienti con cui confrontarli, ma se hai accesso a grafici con prove del mondo reale di qualità inferiore, potresti essere in grado di confrontare il tuo paziente con milioni di altri pazienti. A volte, la quantità può compensare la mancanza di qualità”, ha affermato Klonoff.
Se utilizzate nel contesto dell’IA, le immagini possono anche rivelarsi importanti per la diagnosi e la previsione delle complicanze del diabete, in particolare della retinopatia diabetica, della neuropatia periferica diabetica e delle ulcere del piede diabetico. Per queste condizioni, il riconoscimento del modello – una forma di intelligenza artificiale nota come apprendimento automatico – coinvolto nella diagnosi o nella previsione a volte può fare affidamento sull’analisi delle immagini 2D, secondo Klonoff.
“Il riconoscimento del pattern è utile per fare diagnosi di condizioni in cui è coinvolta un’immagine, come l’imaging della retina per cercare la retinopatia, guardare una biopsia cutanea per vedere se c’è una perdita di nervi che indica neuropatia o immagini di piedi per rilevare ulcere del piede diabetico ”, ha detto Klonoff.
Perfezionamento della diagnosi, previsione delle complicanze del diabete
I ricercatori stanno esaminando il potenziale dell’IA per migliorare la previsione e la diagnosi di una serie di complicanze del diabete, secondo un commento pubblicato da Cynthia Huang e colleghi nel Journal of Diabetes Science and Technology nel 2022.
Anche se non del tutto mainstream, i progressi più significativi sono stati probabilmente fatti nell’uso dell’intelligenza artificiale per la diagnosi della retinopatia diabetica. Nel 2018, la FDA ha concesso l’autorizzazione a IDx-DR (IDx LLC), un programma software che utilizza un algoritmo AI per analizzare le immagini dell’occhio scattate con una telecamera retinica e fornisce i risultati a un medico. È stato il primo dispositivo autorizzato per la commercializzazione che ha prodotto una decisione di screening senza la necessità che un medico interpretasse anche l’immagine o i risultati, secondo un comunicato stampa dell’agenzia. Nel 2020, anche il sistema diagnostico EyeArt AI (Eyenuk Inc.), un altro sistema di intelligenza artificiale autonomo, ha ricevuto l’autorizzazione della FDA per la diagnosi della retinopatia diabetica. Più di recente, nel 2022, AEYE Health (AEYE Health Inc.) ha ricevuto l’autorizzazione della FDA per commercializzare un sistema di screening basato sull’intelligenza artificiale che diagnostica la retinopatia.
Diversi studi, tra cui uno pubblicato su JAMA Network Open nel 2021 che valuta il sistema EyeArt, hanno indicato che le sensibilità e le specificità di molti sistemi di intelligenza artificiale per la diagnosi della retinopatia diabetica erano elevate per il rilevamento della retinopatia diabetica riferibile. Tuttavia, uno studio pubblicato su Diabetes Care nel 2021 ha mostrato che le sensibilità e le specificità di sette sistemi automatizzati di screening della retinopatia diabetica basati sull’intelligenza artificiale variavano in modo significativo quando si utilizzavano dati di imaging della retina del mondo reale.
Rimangono interrogativi su come vengono tratte le conclusioni generali, secondo Huang e colleghi.
“A causa della natura della scatola nera degli algoritmi di deep learning, può essere difficile capire quali caratteristiche specifiche di un’immagine del fondo oculare contribuiscono alla determinazione di un grado retinico”, hanno scritto. “È in corso una ricerca attiva per affrontare queste preoccupazioni, come programmi di intelligenza artificiale spiegabili che annotano le lesioni e le regioni di interesse e programmi di intelligenza artificiale che rilevano comorbidità dalle immagini retiniche, come CVD, nefropatia e neuropatia”.
L’ulcerazione del piede diabetico è un’altra area che ha visto un certo successo con l’AI. In particolare, diversi algoritmi di apprendimento automatico hanno dimostrato la capacità di rilevare le ulcere del piede diabetico nelle immagini. Ad esempio, in uno studio pubblicato sull’IEEE Journal of Biomedical and Health Informatics nel 2019, i ricercatori hanno sviluppato un modello di deep learning, un altro aspetto dell’apprendimento automatico, utilizzando un database di immagini che ha funzionato relativamente bene per la localizzazione dell’ulcera del piede diabetico.
La previsione delle ulcere del piede diabetico prima dello sviluppo effettivo, che sarebbe una grande vittoria, è rimasta alquanto sfuggente. Tuttavia, uno studio pubblicato su Vascular nel 2021 ha mostrato che un algoritmo di intelligenza artificiale creato utilizzando sei fattori di rischio per le ulcere del piede diabetico prevedeva la probabilità di sviluppare la condizione con una precisione di quasi l’80%.
L’IA è stata studiata anche per la diagnosi della nefropatia diabetica, con diversi studi che indicano che l’uso dell’IA in aggiunta ai dati clinici ha funzionato bene rispetto ai tradizionali punteggi di rischio per gli esiti nei pazienti con la malattia. Ad esempio, uno studio pubblicato su Diabetologia nel 2021 ha mostrato che un punteggio di rischio prognostico appreso dalla macchina ha migliorato la previsione degli esiti renali rispetto ad altri modelli clinici in pazienti con nefropatia diabetica in stadio iniziale.
I ricercatori si stanno anche rivolgendo all’apprendimento automatico per migliorare la diagnosi precoce della neuropatia periferica diabetica. Secondo Huang e colleghi, i test fisiologici e anatomici qualitativi, quantitativi possono utilizzare l’intelligenza artificiale per diagnosticare la neuropatia diabetica. Gli autori hanno osservato, ad esempio, che i ricercatori hanno sviluppato un algoritmo che utilizza i principali fattori clinici per classificare la neuropatia dolorosa e non dolorosa, e altri hanno collegato un sensore di soglia di percezione delle vibrazioni a un algoritmo di apprendimento automatico che incorpora le caratteristiche cliniche del paziente per la valutazione del rischio di neuropatia diabetica . Inoltre, gli algoritmi di deep learning che coinvolgono l’imaging anatomico, tra cui la risonanza magnetica e la microscopia confocale corneale, si stanno dimostrando promettenti per la diagnosi della condizione.
“Si prevede che il continuo sviluppo di questi algoritmi basati sull’intelligenza artificiale svolga un ruolo centrale nella diagnosi della neuropatia periferica diabetica come ausili diagnostici clinici per i medici o come calcolatore di rischio o diagnosi online per i pazienti”, hanno scritto Huang e colleghi.
Il futuro dell’IA in medicina
Sebbene l’intelligenza artificiale abbia fatto breccia in molti campi, la sua incorporazione nella pratica medica di routine è rimasta indietro, in gran parte perché la quantità di dati richiesta per alimentare il processo non esisteva prima dell’implementazione dell’EHR. Quando i sistemi sanitari finalmente si sono messi al passo, l’EHR ha fatto il suo passo e ha aperto la porta all’uso dell’IA in medicina, secondo Klonoff.
Oltre alle informazioni generate dall’EHR, le aziende stanno ora raccogliendo dati da molti ospedali diversi e rendendo disponibili set di dati per l’acquisto. Questi danno a medici e ricercatori l’accesso a dati anonimi su milioni di pazienti, rispetto alle migliaia contenute in un sistema ospedaliero, che consentirà un ulteriore perfezionamento dell’intelligenza artificiale per la previsione, la diagnosi e il trattamento di varie condizioni mediche, ha osservato Klonoff.
Sebbene queste enormi quantità di dati abbiano un vantaggio significativo, ci sono alcuni inconvenienti, secondo Klonoff. Innanzitutto, più informazioni si traducono in più combinazioni e possibili risultati, il che richiede un software complicato che potrebbe non esistere ancora. In secondo luogo, la caratterizzazione altamente dettagliata dei pazienti è importante per creare algoritmi in grado di parlare dei risultati di un paziente specifico, ma anche rendere qualcuno troppo unico può rivelarsi problematico.
“Se approfondisci troppo, allora non hai nessuno con cui confrontare quel paziente”, ha detto Klonoff. “Dobbiamo capire quanto profondamente perforare prima di farci del male.”
Analizzando cosa potrebbe aiutare a elevare l’intelligenza artificiale, Klonoff ha affermato che le biobanche potrebbero essere fondamentali per fornire maggiori informazioni su malattie e condizioni e le loro associazioni con i dati clinici.
“Se qualcuno fornisce un campione di sangue a una biobanca, allora possiamo fare un sacco di test, compresi quelli per determinate condizioni o test genomici per cose che non hanno nemmeno necessariamente un valore clinico apparente. Un giorno potremmo anche fare test che ancora non esistono”, ha detto Klonoff.
Attualmente, tuttavia, medici e ricercatori dispongono di una grande quantità di informazioni e dovrebbero continuare a utilizzarle per cercare modi non solo per diagnosticare, ma anche per prevedere e prevenire le malattie.
“Più dati possiamo raccogliere, meglio siamo in grado di prevedere i risultati da dove siamo ora”, ha affermato Klonoff. “Parte della medicina prevede cosa accadrà dopo. Ovviamente se si tratta di un risultato negativo, allora vogliamo prevedere cosa possiamo fare per evitare che ciò accada. E possiamo fare previsioni migliori disponendo di più dati e impiegando tecnologie come l’intelligenza artificiale”.
Riferimenti:
- Baskozos G, et al. BMC Med Inform Decis Mak . 2022;doi:10.1186/s12911-022-01890-x.
- Chan L, et al. Diabetologia . 2021;doi:10.1007/s00125-021-05444-0.
- Dubey VN, et al. J Diabete Sci Technol . 2022;doi:10.1177/1932296820965583.
- Eyenuk. Eyenuk annuncia l’autorizzazione della FDA per il sistema di intelligenza artificiale autonoma EyeArt per lo screening della retinopatia diabetica. https://www.eyenuk.com/us-en/articles/diabetic-retinopathy/eyenuk-announces-eyeart-fda-clearance . Pubblicato il 5 agosto 2020. Accesso effettuato l’8 aprile 2023.
- FDA. La FDA autorizza la commercializzazione di dispositivi basati sull’intelligenza artificiale per rilevare alcuni problemi agli occhi legati al diabete. https://www.fda.gov/news-events/press-announcements/fda-permits-marketing-artificial-intelligence-based-device-detect-certain-diabetes-related-eye . Pubblicato l’11 aprile 2018. Accesso il 7 aprile 2023.
- Goyal M, et al. IEEE J Biomed Health Informare . 2019;doi:10.1109/JBHI.2018.2868656.
- Huang J, et al. J Diabete Sci Technol . 2022;doi:10.1177/193229682211245.
- Ipp E, et al. Rete JAMA aperta . 2021;doi:10.1001/jamannetworkopen.2021.34254.
- Lee AY, et al. Cura del diabete . 2021;doi:10.2337/dc20-1877.
- Preston FG, et al. Diabetologia . 2022;doi:10.1007/s00125-021-05617-x.
- Stefanopoulos S, et al. Vascolare . 2021;doi:10.1177/17085381211040984.
- Teh K, et al. Diabetologia . 2021;doi:10.1007/s00125-021-05416-4.