In medicina, molte teste sono meglio di una
Errare è umano. Ma in medicina gli errori costano la vita, e molti di questi errori derivano da una diagnosi errata. Tuttavia, cosa succederebbe se potessimo aumentare l’accuratezza diagnostica combinando le diagnosi di molti medici? Un team di ricerca internazionale sostenuto dal progetto HACID, finanziato dall’UE, ha ora sviluppato una procedura completamente automatizzata che utilizza tecniche di ingegneria della conoscenza per sfruttare appieno l’intelligenza collettiva (IC) in medicina e nell’assistenza sanitaria.
Uno contro l’attività collettiva
Il team ha testato la propria soluzione su oltre 1 300 casi medici forniti da una piattaforma di crowdsourcing medico chiamata The Human Diagnosis Project. Ogni caso è stato diagnosticato in modo indipendente da 10 diagnosti. Confrontando le singole diagnosi con la loro soluzione collettiva, il team ha scoperto che il loro metodo aumentava notevolmente l’accuratezza diagnostica. I singoli diagnosti hanno raggiunto un’accuratezza del 46 %. Tuttavia, mettendo insieme le decisioni di 10 diagnosti si è arrivati al 76 %. «I nostri risultati mostrano il potenziale salvavita di attingere all’intelligenza collettiva della comunità medica globale per ridurre gli errori diagnostici e aumentare la sicurezza dei pazienti», riferiscono i ricercatori nel loro articolo pubblicato sulla rivista «PNAS». La sfida più grande quando si combinano diagnosi indipendenti in diagnosi mediche aperte è identificare quali diagnosi puntano allo stesso concetto medico. Si tratta di problemi banali come le differenze ortografiche, l’uso della maiuscola e gli errori di battitura. Si tratta anche di questioni più complesse, come l’equivalenza o meno di due diagnosi riportate. Per identificare i concetti medici esatti dalle diagnosi in testo libero, la soluzione del team si basa su una combinazione di grafi semantici di conoscenza, sull’elaborazione del linguaggio naturale e sulla terminologia clinica sanitaria multilingue più completa al mondo - l’ontologia di termini medici SNOMED Clinical Terms - per la standardizzazione. «Questo lavoro presenta una struttura a catena completamente automatizzata - che va dall’aggregazione delle diagnosi alla valutazione dei risultati ottenuti tramite IC - in grado di sfruttare il potere di esperti medici indipendenti nel dominio medico in generale. Questo estende quindi notevolmente l’applicazione della IC nella diagnostica medica, al di là della semplice classificazione binaria o multi-classe o dei compiti di stima numerica», riferiscono gli autori dello studio. «I nostri risultati dimostrano che l’aggregazione delle risposte indipendenti di più utenti porta a miglioramenti sostanziali nell’accuratezza diagnostica attraverso le regole di aggregazione, le specialità mediche, i disturbi principali e i livelli di inquadramento degli utenti».
Rimuovere la componente umana dal ciclo
La soluzione elimina ogni intervento manuale e umano. Il coautore dello studio, il dottor Vito Trianni del Consiglio Nazionale delle Ricerche in Italia, coordinatore del progetto HACID, afferma in un comunicato stampa su «EurekAlert!»: «Un contributo fondamentale del nostro lavoro è che, mentre le diagnosi fornite dall’uomo mantengono il loro primato, le nostre procedure di aggregazione e valutazione sono completamente automatizzate, evitando possibili pregiudizi nella generazione della diagnosi finale e consentendo al processo di essere più efficiente in termini di tempo e di costi.» Inoltre, poiché la soluzione è completamente automatizzata, «può operare in un vero contesto clinico e in tempo reale, dove la verità di base è sconosciuta al momento dei giudizi», si legge nel documento. I ricercatori stanno attualmente collaborando nell’ambito del progetto HACID (Hybrid Human Artificial Collective Intelligence in Open-Ended Decision Making) per portare la loro applicazione un passo più vicino al mercato. Per maggiori informazioni, consultare: sito web del progetto HACID
Parole chiave
HACID, medico, diagnosi, diagnosi errata, diagnostica, accuratezza, intelligenza collettiva, medicina, diagnosta