L’intelligenza artificiale sta cambiando radicalmente il mondo moderno e il suo grande potenziale nel campo della medicina rappresenta sicuramente una sfida per la scienza e la salute. In particolare, l’ultimo decennio ha visto un crescente interesse per l’applicazione dell’intelligenza artificiale in cardiologia, branca della medicina che, per vari motivi, si presta molto bene all’uso di questi nuovi sistemi.
L’applicazione dell’intelligenza artificiale in cardiologia è uno strumento utile a supporto dei professionisti per migliorare la qualità delle diagnosi e delle cure. Ovviamente, l’intelligenza artificiale non metterà fuori mercato gli operatori sanitari. Piuttosto, consentirà ai cardiologi di avere una “second opinion” certificata, di ridurre il carico burocratico, di svolgere meglio il proprio lavoro e lasciare tempo alle interazioni uomo-uomo rendendo la cardiologia la professione gratificante che tutti apprezziamo. Un’ipotesi interessante potrebbe essere l’utilizzo dell’intelligenza artificiale per il doppio controllo (double check) delle diagnosi e delle terapie o come copilota per aiutare i cardiologi in ambito clinico.
Per esempio, l’uso di modelli di deep learning per l’interpretazione dell’ECG è una pratica che sta crescendo si evolverà notevolmente (Tabella).
|
Campo di Applicazione |
Utilità |
| Fibrillazione Atriale | Diagnosi di FA futura in pazienti in ritmo sinusale utilizzando l’ECG. Diagnosi automatica di FA dall’ECG standard. Diagnosi di FA usando uno smartphone |
| Valvulopatie | Diagnosi di stenosi aortica dall’ECG standard. Diagnosi di Insufficienza mitralica dall’ECG standard. Diagnosi di stenosi aortica dall’ecocardiogramma transtoracico. |
| Disfunzione ventricolare sinistra | Misura della EF dall’ECG standard. GLS del ventricolo sinistro e destro dall’ECG standard. Diagnosi di HFrEF e HFpEF dall’ ecocardiogramma. |
| Diagnosi di cardiomiopatia | Diagnosi di cardiomiopatia ipertrofica dall’ECG a 12 derivazioni. Diagnosi di cardiomiopatia ipertrofica dall’ecocardiografia standard. |
| Sindromi coronariche acute | Diagnosi di STEMI e NSTEMI dall’ECG. Outcome clinico nei pazienti con ACS dall’ECG a 12 derivazioni. |
| Iperpotassemia | Diagnosi di iperpotassemia dall’ECG. |
| Ipertensione Polmonare | Diagnosi di Ipertensione polmonare dall’ECG a 12 derivazioni |
| Emodinamica | Valutazione della fisiologia coronarica. Imaging intracoronarico. Valutazione della EF. |
L’aggiunta dell’intelligenza artificiale a un ECG standard, un test ampiamente disponibile, poco costoso e riproducibile, lo trasformerà in un potente strumento non solo per la diagnosi di sindrome coronarica acuta, ma anche per la diagnosi di disfunzione ventricolare sinistra, o destra, di valvulopatia, di altre patologie non rilevabile con l’interpretazione standard del tracciato ed infine per valutare l’outcome clinico.
L’intelligenza artificiale è uno strumento che utilizza sistemi informatici molto potenti, oggi disponibili, per apprendere ed eseguire compiti complessi e migliorare le prestazioni attraverso l’esperienza (Figura).
Il machine Learning è un algoritmo in grado di trovare soluzioni a problemi (modelli) utilizzando i dati forniti. Mentre l’apprendimento tradizionale impara dalle regole, il machine learning impara dagli esempi. Alla macchina viene assegnato un compito da eseguire ed esempi sotto forma di input (features) e output (labels). Il computer, in questo modo, trova lo schema che collega l’input e l’output attraverso un processo chiamato machine learning. L’apprendimento automatico può avvenire in due modi: supervisionato o non supervisionato. L’apprendimento supervisionato si basa su input e output definiti, mentre l’apprendimento non supervisionato riceve solo input. Queste funzionalità dell’apprendimento automatico hanno un potenziale molto elevato, poiché consentono l’analisi di un’enorme quantità di dati e l’individuazione di modelli statistici, una prestazione che non può essere soddisfatta dalla sola intelligenza umana.
Tuttavia, l’apprendimento automatico ha una capacità di apprendimento limitata, essendo strettamente dipendente dalle funzionalità fornite dagli esperti. Questa limitazione viene superata dal deep learning, una sottocategoria del machine learning, che ne migliora le prestazioni accedendo a grandi quantità di dati e permette di estrarre informazioni che non possono essere valutate da una prospettiva umana (ad esempio la diagnosi di stenosi aortica effettuata da un ECG standard). Il Deep Learning utilizza reti neurali (NN) per identificare modelli nei dati o per fare previsioni. Analizza tanti semplici schemi lineari (nodi) disposti in serie (strati) per creare una struttura gerarchica: ogni strato, composto da entità semplici, serve a rappresentare informazioni complesse passando attraverso uno o più strati nascosti. In questo modo, il deep learning apprende relazioni estremamente complesse tra funzionalità (features) ed etichette (labels).
Le reti neurali convoluzionali vengono utilizzate nell’analisi e nell’interpretazione delle immagini (ad esempio, elettrocardiogrammi). Tali reti sfruttano i principi dell’algebra lineare, in particolare la moltiplicazione di matrici, per identificare modelli all’interno di un’immagine. In generale è costituito da un blocco di input; uno o più blocchi nascosti (livelli nascosti), che eseguono calcoli utilizzando funzioni di attivazione; e un blocco di output, che esegue la classificazione vera e propria. La differenza è la presenza di tre strati aggiuntivi: uno strato convoluzionale, uno strato di pooling e uno strato completamente connesso (FC). Il livello convoluzionale richiede dati di input (espressi come matrice), un rilevatore di caratteristiche (filtro o kernel) e una mappa di caratteristiche. Questo livello estrapola le caratteristiche dell’immagine tramite il filtro. Maggiore è il numero di filtri, maggiore è la complessità delle caratteristiche che possono essere rilevate. Tipicamente, ogni strato convoluzionale è seguito da uno strato di pooling per ridurre la dimensione della matrice e riconoscere caratteristiche dell’immagine sempre più precise.
In conclusione, con l’intelligenza artificiale oggi è possibile fare alcune diagnosi con un’accuratezza superiore a quella del cardiologo e ciò avrà, ovviamente, importanti ripercussioni nel mondo sanitario e cardiologico in particolare. L’utilizzo dell’intelligenza artificiale, ad esempio, nel setting delle ACS servirà soprattutto per effettuare diagnosi certe e per velocizzare l’accesso al cath lab dei pazienti soprattutto critici.
La rivoluzione copernicana riguarda la possibilità di ottenere dati diversi da quelli che un cardiologo, anche di grande esperienza, riesce ad ottenere da un semplice ECG come il calcolo della frazione di eiezione del ventricolo sinistro, dello strain ventricolo sinistro e destro, la diagnosi di iper-potassiemia, di versamento pericardico, l’analisi del ritmo cardiaco e, infine, l’outcome clinico.
L’intelligenza artificiale presenta due grandi limiti. Il primo, “l’ignoranza artificiale” è quello collegato alla possibilità di commettere, in alcune situazioni, errori legati agli algoritmi utilizzati che peraltro sono difficilmente analizzabili dal punto di vista clinico. Questo limite può essere superato valutando i sistemi di intelligenza artificiale con ampi studi prospettici randomizzati, simili a quelli che oggi si effettuano per permettere l’accesso di nuovi farmaci, allo scopo di valutarne accuratezza, sensibilità, specificità, valore predittivo positivo e negativo prima di implementarli nella pratica clinica.
La seconda preoccupazione è il possibile utilizzo fraudolento dell’intelligenza artificiale, tipica è stata l’immagine del Papa con il piumino bianco o le foto false dalla striscia di Gaza. L’uso scorretto dell’intelligenza artificiale andrà combattuto con stringenti normative internazionali ad hoc.
L’ultimo aspetto riguarda il problema medico-legale ed etico dell’utilizzo dell’intelligenza artificiale. Chi sarà il responsabile della diagnosi effettuata dall’intelligenza artificiale? In caso di diagnosi o terapie differenti tra medico e intelligenza artificiale come ci si comporterà?
Tuttavia, è ragionevole pensare che in un futuro non troppo lontano l’intelligenza artificiale, testata in studi prospettici randomizzati, sarà un equalizzatore di risultato: permetterà un’uniformità di diagnosi e terapie su tutto il territorio nazionale, in centri Hub o Spoke ed in ultima analisi, in modo controintuitivo, potrà essere utilizzata dal cardiologo come seconda opinione certificata per ridurre la responsabilità medico-legale.
