Page 86 - CnO_265-266

F ORUM

diagnosi precoce e standardizzando
i referti. Tra i vantaggi vi sono la
riduzione della variabilità inter-
operatoria e il supporto decisionale
clinico. Tuttavia, presenta limiti
legati alla qualità dei dati di
input, alla necessità di validazione
clinica e all’integrazione nei flussi
di lavoro esistenti. Infine, i molti
ospedali si sta sperimentando la
possibilità di effettuare con l’AI la
lettera di dimissione e la gestione
post-ospedaliera dei pazienti.
Sistemi come ChatGPT o simili
potranno assistere i medici fornendo
Figura 2 rapidamente informazioni mediche,
cardiaca, il ritmo e l’attività capacità predittiva limitata, con l’AI è aiutandoli nella diagnosi differenziale
fisica in tempo reale. È possibile possibile predire da un semplice ECG e suggerendo possibili opzioni
l’individuazione precoce della il rischio di mortalità a dieci anni, di trattamento. Uno dei grandi
fibrillazione atriale, il monitoraggio lo scompenso cardiaco, la frazione problemi legati all’accettazione di
dell’insufficienza cardiaca tramite lo di eiezione, il GLS e la fibrillazione queste nuove tecnologie da parte del
stato dei fluidi o i parametri vitali e atriale quando il soggetto è in Cardiologo è legato alla spiegabilità
del risultato ottenuto che è bassa per
l’avviso per ritmi cardiaci anomali. ritmo sinusale. Come funziona l’AI? l’AI (black box) mentre la plausibilità
L’elettrocardiogramma è un substrato Usa reti neurali o modelli di deep è alta e clinicamente trasparente per
ideale per applicazioni di intelligenza learning, impara da enormi quantità gli algoritmi oggi disponibili negli
artificiale basate sul deep learning. di tracciati (es. milioni di ECG), elettrocardiografi. Inoltre, i problemi
L’ECG è ampiamente disponibile e scopre pattern nascosti che sfuggono legati all’AI riguardano la privacy e
fornisce dati grezzi e riproducibili, ai clinici e agli algoritmi classici. Il l’etica dei dati, le distorsioni negli
facili da archiviare e trasferire in modello analizza l’intero tracciato algoritmi di IA dovute a dati di
formato digitale. o segmenti (raw data), estrae addestramento non rappresentativi,
La Figura 2 mostra un esempio di automaticamente caratteristiche all’approvazione delle agenzie
un ECG di un paziente inviato per (feature learning), associa pattern regolatorie (CE e FDA) ed infine
STEMI che grazie all’AI è stato a diagnosi (es. fibrillazione atriale, la necessità di validazione clinica.
escluso l’infarto e identificato come insufficienza cardiaca silente, ecc.) Infine, l’AI richiede molta potenza
soggetto in iperkalemia con ritmo e fornisce output probabilistici (es. computazionale e molto dati e vi è
idioventricolare. L’applicazione “probabilità 87% di FA”). L’AI riesce un rischio di bias se i dati di training
di AI oggi più avanzata riguarda a “vedere” nell’elettrocardiogramma non sono bilanciati. In conclusione,
l’interpretazione dell’ECG che quello che anche il Cardiologo più l’intelligenza artificiale avrà nei
utilizza non regole fisse (if-then) esperto non potrà fare. L’altra grande prossimi anni un ruolo dirompente
ma modelli statistici/neuronali, ha applicazione dell’IA è la diagnostica nella pratica clinica. Il Cardiologo
una capacità di apprendimento e con ultrasuoni. L’intelligenza deve essere pronto a questa
un’accuratezza alta anche su casi rari artificiale (IA) in ecocardiografia transizione digitale che trasformerà
o ambigui (vedi figura). A differenza migliora l’accuratezza e la rapidità la sua attività clinica migliorandone
degli algoritmi presenti sugli dell’acquisizione e interpretazione l’accuratezza diagnostica e
elettrocardiografi che hanno una delle immagini, supportando la terapeutica.♥

84 | Cardiologia negli Ospedali | duecentosessantacinque - duecentosessantasei