IA in epatologia: aiuterà davvero?

L'intelligenza artificiale sta rivoluzionando molti campi della medicina, compresa l'epatologia. Durante il congresso EASL 2024 si è discusso della sua applicazione clinica, con particolare attenzione alla gestione personalizzata dei pazienti.

L'intelligenza artificiale è in grado di gestire grandi quantità di dati. Ma quali dati?

L'intelligenza artificiale (IA) è un argomento sempre più discusso in medicina e il congresso EASL 2024 ha dedicato una sessione alla sua applicazione in epatologia. La domanda centrale è stata se l'IA rappresenti una vera promessa o se, al di là del clamore, ci sia poca sostanza reale.
L'adozione dell'IA nei sistemi sanitari incontra diverse difficoltà. Uno degli ostacoli principali è la mancanza di sistemi di cartelle cliniche elettroniche (EHR) adeguati in molti ospedali. Sebbene i pazienti sembrino pronti a utilizzare l'IA, integrandola quotidianamente attraverso dispositivi per il fitness e altre tecnologie, i sistemi sanitari devono ancora adattarsi completamente a questa innovazione.
Per funzionare efficacemente, l'IA richiede dati completi e di alta qualità. Tuttavia, gli attuali set di dati possono essere limitati e non includere tutti i dati necessari per modelli predittivi accurati. Sebbene i risultati siano promettenti, la mancanza di alcuni dati cruciali rappresenta una sfida significativa.

Intelligenza artificiale in epatologia

Il Prof. Schattenberg individua 3 aree in cui l'intelligenza artificiale potrebbe essere utilizzata in epatologia:

  1. analisi dei dati: text mining, analisi di clustering, visualizzazione dei dati, machine learning (supervisionato e non supervisionato), deep learning (algoritmi di apprendimento e interpretazione);
  2. stratificazione dati cartelle cliniche elettroniche, imaging, dati di laboratorio, istologia, coorti di pazienti con esiti clinici in ambito scientifico;
  3. livello di base: cloud computing (disponibilità di piattaforme e software in ambito sanitario), internet (accesso tramite dispositivi mobili dei consumatori).

L'IA nella pratica clinica

Un'applicazione chiave dell'IA è la stratificazione del rischio. Durante la presentazione, il Prof. Schattenberg ha riportato varie esperienze1,2,3, con l'uso di modelli di intelligenza artificiale per identificare precocemente le persone a rischio di malattie epatiche.
Esistono modelli ad alte prestazioni che potrebbero consentire la stratificazione del rischio, come quello proposto da Docherty et al. per la previsione della NASH. Il modello NASHmap ha raggiunto elevate prestazioni, sensibilità e accuratezza nel rilevare la NASH. Tuttavia, l'applicazione clinica di questi modelli richiede la disponibilità delle caratteristiche identificate, il che potrebbe non essere sempre possibile.

L'IA può migliorare l'accuratezza diagnostica attraverso l'analisi delle immagini. Ad esempio, gli algoritmi di IA possono analizzare le immagini ecografiche per rilevare la steatosi epatica con elevata accuratezza. Tuttavia, la qualità dei risultati dipende dalla standardizzazione delle immagini fornite all'algoritmo.

L'IA può anche migliorare l'educazione del paziente e la personalizzazione del trattamento. Ad esempio, uno studio italiano4 ha valutato le risposte fornite da ChatGPT alle domande dei pazienti sulle malattie epatiche, con risultati generalmente positivi. Questo dimostra il potenziale dell'IA come strumento educativo e di supporto decisionale per i pazienti.

L'IA trasformerà la mia pratica clinica (e c'è del lavoro da fare)

L'IA ha il potenziale per trasformare l'epatologia migliorando la diagnosi, la gestione e l'educazione dei pazienti. Tuttavia, ci sono ancora molte sfide da affrontare, tra cui la qualità dei dati, la trasparenza degli algoritmi e l'integrazione nei sistemi sanitari esistenti. Per sfruttare appieno i benefici dell'IA, è necessario un approccio collaborativo che coinvolga medici, ricercatori e pazienti.
In dettaglio:

  1. Sistema sanitario:
    • armonizzare i dati;
    • adottare standard di sicurezza dei dati
    • fornire rimborsi;
  2. Ricerca:
    • open source e dati aperti (no alla scienza della scatola nera);
    • rilevanza clinica + evitare la sovrainterpretazione (potenza di calcolo infinita e set di dati enormi);
    • qualità dei dati e degli input;
  3. Medici:
    • superare la consapevolezza della legge + competenza;
    • necessità di standardizzare l'acquisizione dei dati;
  4. Pazienti:
    • massimizzare i benefici - mantenere un rapporto di fiducia (uomo vs macchina);
    • educazione e responsabilizzazione.

Fonte: Schattenberg JM. Use of AI in MASLD – promise or hype?. EASL 2024. Thursday, 6 Jun, 08:30 - 09:45 CEST

Riferimenti:
1. Noureddin M, Ntanios F, Malhotra D, Hoover K, Emir B, McLeod E, Alkhouri N. Predicting NAFLD prevalence in the United States using National Health and Nutrition Examination Survey 2017-2018 transient elastography data and application of machine learning. Hepatol Commun. 2022 Jul;6(7):1537-1548. doi: 10.1002/hep4.1935. Epub 2022 Apr 1. PMID: 35365931; PMCID: PMC9234676.
2. Schattenberg JM, Balp MM, Reinhart B, Tietz A, Regnier SA, Capkun G, Ye Q, Loeffler J, Pedrosa MC, Docherty M. NASHmap: clinical utility of a machine learning model to identify patients at risk of NASH in real-world settings. Sci Rep. 2023 Apr 5;13(1):5573. doi: 10.1038/s41598-023-32551-2. PMID: 37019931; PMCID: PMC10076319.
3. Docherty M, Regnier SA, Capkun G, Balp MM, Ye Q, Janssens N, Tietz A, Löffler J, Cai J, Pedrosa MC, Schattenberg JM. Development of a novel machine learning model to predict presence of nonalcoholic steatohepatitis. J Am Med Inform Assoc. 2021 Jun 12;28(6):1235-1241. doi: 10.1093/jamia/ocab003. PMID: 33684933; PMCID: PMC8200272.
4. Pugliese N, Polverini D, Lombardi R, Pennisi G, Ravaioli F, Armandi A, Buzzetti E, Dalbeni A, Liguori A, Mantovani A, et al. Evaluation of ChatGPT as a Counselling Tool for Italian-Speaking MASLD Patients: Assessment of Accuracy, Completeness and Comprehensibility. Journal of Personalized Medicine. 2024; 14(6):568. https://doi.org/10.3390/jpm14060568