×
Nel panorama in rapida evoluzione dell’informatica sanitaria, l’IA è emersa come una forza fondamentale per aiutare gli operatori sanitari a diventare più efficienti ed efficaci. L’adozione dell’IA in campo medico è variata a seconda delle specialità e delle applicazioni, con alcuni settori che si sono evoluti più rapidamente di altri. Per molti anni, ad esempio, la cardiologia ha utilizzato l’intelligenza artificiale per i test ECG e di imaging, per individuare più facilmente sottili anomalie cardiache e fornire valutazioni più tempestive. Lo stesso vale per la radiologia e la mammografia, dove l’utilizzo della tecnologia IA è aumentato nell’ultimo decennio.11
L’intelligenza artificiale sta facendo significativi progressi anche in neurologia, dove i nuovi strumenti che applicano il deep learning per l’interpretazione e l’analisi dei dati EEG² promettono grandi opportunità. Molti esperti ritengono che l’integrazione della tecnologia IA per la neurologia avrà un impatto maggiore rispetto a molti altri casi di utilizzo dell’IA in campo medico. Questo riguarda molti fattori relativi all’interpretazione e all’analisi dell’EEG, come:
Tuttavia, esistono alcuni ostacoli alla rapida adozione degli strumenti di IA per la neurologia. La diffidenza nei confronti della tecnologia IA è un fattore significativo che deve essere superato. Un numero maggiore di protocolli per l’integrazione dell’IA, insieme alla formazione di neurologi, epilettologi, personale di neurodiagnostica e altri professionisti, creerà una maggiore fiducia nella tecnologia.
La ricerca dimostra inoltre che superare la percezione che l’IA sostituirà le competenze è fondamentale³ per un’ampia adozione dell’IA per l’interpretazione dell’EEG. I team di neurologia devono considerare gli strumenti di IA come assistenti utili e affidabili che consentono di risparmiare tempo, aumentano l’accuratezza e migliorano l’assistenza ai pazienti, piuttosto che come una sostituzione delle competenze umane. Quando avviene questo cambiamento di mentalità, i team di neurologia possono sfruttare appieno la collaborazione tra uomo e macchina, in cui l’IA consente a medici e altri operatori di svolgere i compiti più critici nella diagnosi e nel trattamento delle anomalie e delle condizioni cerebrali.
Una volta superate queste barriere all’adozione, l’integrazione dell’IA come tecnologia di supporto all’interpretazione EEG può avere un impatto notevolmente positivo sull’efficienza, sui costi e, infine, sui risultati dei pazienti. Sebbene l’IA abbia numerose applicazioni pratiche per l’EEG, questo articolo riassume cinque delle ragioni più valide per cui l’IA offre opportunità estremamente promettenti per l’analisi dell’EEG.
L’interpretazione tradizionale dell’EEG si basa fortemente sull’esperienza umana per svolgere compiti noiosi e ripetitivi. Anche i medici più esperti possono fraintendere pattern sottili o trascurare dettagli critici all’interno di dati EEG complessi, portando a risultati incoerenti o addirittura a diagnosi errate. Gli algoritmi di apprendimento automatico possono essere addestrati su vaste serie di dati contenenti diversi pattern EEG, consentendo un rilevamento più rapido di anomalie e pattern. Strumenti di intelligenza artificiale ancora più avanzati, che utilizzano algoritmi di deep learning, possono elaborare e analizzare simultaneamente intricate relazioni temporali e spaziali all’interno dei dati EEG.
I metodi tradizionali di interpretazione dell’EEG sono spesso soggettivi e qualitativi, con nessuno standard universale ampiamente utilizzato oggi nelle pratiche EEG.4 Questo problema è aggravato dal fatto che le competenze in materia di EEG non sono sempre prontamente disponibili e anche gli specialisti esperti potrebbero non avere una formazione specifica di tipo borsistico. La capacità di addestrare gli algoritmi di intelligenza artificiale su serie di dati estremamente ampie che includono una vasta gamma di pattern EEG consente la standardizzazione attraverso diverse specialità e popolazioni di pazienti. Mentre gli algoritmi tradizionali richiedono uno sforzo manuale per perfezionare il loro utilizzo per una specifica serie di dati o gruppo, gli algoritmi di IA possono elaborare vaste serie di dati in modo oggettivo e coerente. Questo aiuta a promuovere l’uniformità nella refertazione EEG e a stabilire dei parametri di riferimento per la valutazione delle condizioni di ciascun paziente nel tempo.
Un approccio multidisciplinare è più efficace nel panorama sanitario attuale. Il trattamento dei pazienti neurologici richiede spesso il contributo di ampi team di neurologi, epilettologi, professionisti neurodiagnostici e altri specialisti. Il calcolo assistito dall’intelligenza artificiale può ordinare ed esaminare rapidamente i dati e produrre una serie di interpretazioni, valutazioni dei rischi, probabilità di trattamenti e dati statistici derivati dall’anamnesi del paziente insieme a serie di dati di rapporti EEG esistenti e convalidati. In effetti, la ricerca riporta che la collaborazione tra esseri umani e macchine intelligenti è diventata una caratteristica fondamentale di un sistema di supporto alle decisioni cliniche di successo.5 Anche con la tecnologia IA avanzata, le prospettive umane qualitative rimangono cruciali per il successo dei sistemi di supporto decisionale complessi.
L’integrazione dell’intelligenza artificiale nell’interpretazione dell’EEG inaugura una nuova era di efficienza e velocità. L’enorme volume di dati generato dalle registrazioni EEG può ostacolare l’interpretazione manuale. Gli algoritmi di intelligenza artificiale possono analizzare rapidamente questi dati, evidenziando i segmenti di potenziale anomalia. Questo approccio mirato riduce il carico sui revisori umani e contribuisce a garantire che nessuna informazione critica passi inosservata. Inoltre, l’intelligenza artificiale è in grado di elaborare registrazioni prolungate che potrebbero risultare impegnative per i revisori umani, migliorando così la qualità complessiva dell’analisi EEG. Le capacità di elaborazione rapida dell’intelligenza artificiale possono accelerare l’analisi dell’EEG, permettendo ai medici di dedicare il loro tempo prezioso alla revisione dei casi critici e alla definizione dei piani di trattamento. I casi di routine possono essere gestiti in modo efficiente dagli algoritmi di intelligenza artificiale, offrendo ai neurologi e agli altri medici più tempo per concentrarsi sui casi complessi. Questo è particolarmente utile nelle aree remote e poco servite, dove le competenze EEG sono scarse o semplicemente non disponibili.
In generale, si prevede che l’adozione dell’IA nell’assistenza sanitaria nei prossimi cinque anni porterà una riduzione dei costi fino a 360 miliardi di dollari.7 Gli esperti attribuiscono gran parte di questi risparmi all’aumento della produttività del lavoro, in particolare man mano che la collaborazione uomo/macchina diventa più comune. L’integrazione della tecnologia IA in modo ponderato può ottimizzare il lavoro di neurologi, epilettologi e altri medici qualificati, riducendo le risorse impiegate in attività di interpretazione EEG ripetitive, costose e dispendiose in termini di tempo.
Osservando al futuro dell’assistenza sanitaria, il potenziale trasformativo dell’IA nell’interpretazione e nell’analisi dell’EEG è innegabile. La capacità dell’IA per la neurologia di aumentare l’accuratezza, migliorare l’interpretazione della standardizzazione, supportare il processo decisionale collaborativo, aumentare la redditività e accelerare i processi sta ridisegnando il nostro approccio alla cura dei pazienti. La sinergia tra la competenza umana e l’abilità computazionale dell’IA promette di sbloccare nuove conoscenze sull’attività cerebrale, portando a un’interpretazione più accurata, interventi più tempestivi e risultati migliori per i pazienti.
FONTI
1. “ Lee LIT, Kanthasamy S, Ayyalaraju RS, Ganatra R. The Current State of Artificial Intelligence in Medical Imaging and Nuclear Medicine. BJR Open. 2019 Oct 16;1(1):20190037. doi: 10.1259/bjro.20190037. PMID: 33178956; PMCID: PMC7592467.
2. Tveit J, Aurlien H, Plis S, et al. Automated Interpretation of Clinical Electroencephalograms Using Artificial Intelligence. JAMA Neurol. 2023;80(8):805–812. doi:10.1001/jamaneurol.2023.1645
3. Henry, K.E., Kornfield, R., Sridharan, A. et al. Human–machine teaming is key to AI adoption: clinicians’ experiences with a deployed machine learning system. npj Digit. Med. 5, 97 (2022). https://doi.org/10.1038/s41746-022-00597-7
4. Grant AC, Abdel-Baki SG, Weedon J, Arnedo V, Chari G, Koziorynska E, Lushbough C, Maus D, McSween T, Mortati KA, Reznikov A, Omurtag A. EEG interpretation reliability and interpreter confidence: a large single-center study. Epilepsy Behav. 2014 Mar;32:102-7. doi: 10.1016/j.yebeh.2014.01.011. Epub 2014 Feb 13. PMID: 24531133; PMCID: PMC3965251.
5. Russell S, Kumar A. Providing Care: Intrinsic Human-Machine Teams and Data. Entropy (Basel). 2022 Sep 27;24(10):1369. doi: 10.3390/e24101369. PMID: 37420389; PMCID: PMC9601264.
6. Tveit J, Aurlien H, Plis S, et al. Automated Interpretation of Clinical Electroencephalograms Using Artificial Intelligence. JAMA Neurol. 2023;80(8):805–812. doi:10.1001/jamaneurol.2023.1645
7. Sahni, N R, G Stein, R Zemmel, and D M Cutler (2023), “The potential impact of artificial intelligence on healthcare spending”, in A Agrawal, J Gans, A Goldfarb, and C Tucker (eds.), The Economics of Artificial Intelligence: Health Care Challenges.
