×
L’integrazione della tecnologia di intelligenza artificiale (IA) con l’interpretazione umana dei tracciati EEG è stata accolta con un misto di entusiasmo e apprensione. Sebbene i benefici dell’IA per aumentare l’efficienza e l’accuratezza siano ampiamente accettati, i neurologi, gli epilettologi, il personale addetto alla neurodiagnostica e altri professionisti potrebbero ancora non essere sicuri delle prestazioni della tecnologia quando si tratta di curare effettivamente i pazienti.
Indipendentemente dalla specializzazione, la maggior parte degli operatori sanitari concorda sul fatto che il successo nell’adozione dell’IA in qualsiasi scenario¹ dipenda, prima di tutto, da un elemento fondamentale: la fiducia. Questo articolo offre quattro validi motivi per cui i neurologi possono affidarsi all’IA per l’EEG e gli aspetti della collaborazione uomo/macchina che continueranno a migliorare questa partnership già efficace.
Comprendere qualsiasi tecnologia è essenziale per sviluppare fiducia nelle sue prestazioni. Essenzialmente, l’apprendimento automatico è un sottoinsieme dell’IA utilizzato da tempo che prevede l’addestramento di algoritmi per apprendere pattern da serie di dati esistenti. I modelli di apprendimento automatico vengono esposti a vari esempi e regolano i propri parametri per riconoscere le strutture sottostanti che li aiutano a fare previsioni e/o classificazioni accurate. Nel caso dell’analisi EEG, gli algoritmi di apprendimento automatico possono essere addestrati su enormi raccolte di dati di registrazioni EEG, il che consente loro di riconoscere pattern sottili indicativi di diverse condizioni neurologiche.
I modelli di deep learning, chiamati anche reti neurali, catturano relazioni intricate all’interno di dati complessi. Gli algoritmi di deep learning sono particolarmente abili nell’elaborare e analizzare le complesse relazioni temporali e spaziali dei dati EEG². Questa tecnica migliora ulteriormente la capacità dello strumento di IA di trovare rapidamente pattern con sfumature nelle registrazioni EEG e di eseguire le attività di interpretazione in modo più rapido.
Il deep learning è il prossimo passo logico per rafforzare la collaborazione tra neurologia e IA, superando il rilevamento di picchi e crisi epilettiche e utilizzando le risorse dei big data per supportare applicazioni avanzate di IA per il riconoscimento dei pattern. I neurologi hanno notato il notevole potenziale del deep learning per l’analisi EEG, con studi recenti che utilizzano il modello SCORE-AI³ che rafforzano l’accuratezza e l’efficienza del metodo. Alla fine, gli strumenti di IA combineranno analisi EEG automatizzata con monitoraggio cerebrale continuo4 e ridurranno lo sforzo richiesto ai neurologi per diagnosticare e trattare con precisione queste condizioni critiche in termini di tempo.
I big data si riferiscono a insiemi di dati estremamente grandi che devono essere analizzati computazionalmente. Le tre proprietà che definiscono le “3 V” dei big data sono volume, velocità e varietà, che si riferiscono alla quantità di dati, alla velocità di elaborazione dei dati e ai diversi tipi di dati presenti in un determinato archivio. Nell’ambito della neurologia, sono già stati raccolti e convalidati da organizzazioni credibili di tutto il mondo enormi raccolte di dati di registrazioni EEG annotate; inoltre, nuovi dati vengono aggiunti continuamente.
I big data per l’EEG comprendono un’ampia gamma di condizioni neurologiche, modelli di attività cerebrale e risposte agli stimoli, fornendo un ampio terreno di apprendimento per l’IA per identificare pattern e correlazioni intricati che potrebbero richiedere ore di analisi e interpretazione da parte dell’uomo. Apprendendo da grandi quantità di registrazioni EEG annotate, gli algoritmi di intelligenza artificiale possono identificare sottigliezze e anomalie che indicano condizioni come epilessia, disturbi del sonno e lesioni cerebrali, che potrebbero passare inosservate quando si utilizzano i metodi di interpretazione convenzionali. Questo aumenta significativamente le prestazioni e l’efficienza dei team di neurologia, riducendo il tempo impiegato dall’uomo per svolgere compiti ripetitivi e dispendiosi.
Come qualsiasi altra tecnologia per dispositivi medici, gli strumenti di IA sono già sottoposti a una rigorosa attività di ricerca e sviluppo e sono soggetti a discipline normative. Gli algoritmi di intelligenza artificiale vengono rigorosamente testati su diverse serie di dati5 per verificarne l’accuratezza e l’efficacia. Da lì, i neurologi e altri operatori seguiranno protocolli che prevedono appropriati periodi di utilizzo parallelo, convalidano i risultati degli strumenti e incoraggiano lo sviluppo delle competenze.
Questi protocolli sono progettati per garantire la sicurezza dei pazienti, proteggere la privacy e promuovere un’integrazione fluida e di successo degli strumenti di IA nelle operazioni quotidiane. Anche gli operatori sanitari continuano a fornire nuovi protocolli per l’adozione dell’IA, identificando considerazioni chiave per l’adozione di strumenti basati sull’IA nelle pratiche cliniche6. Queste considerazioni abbracciano vari temi, tra cui i fattori culturali, la convalida dei dati e degli algoritmi, la formazione e l’istruzione e persino l’attuale livello di accettazione dell’IA da parte di un fornitore o di uno studio.
È necessario adottare una strategia di implementazione graduale per costruire fiducia nella tecnologia, con strumenti di IA che inizialmente supportino i neurologi in attività specifiche prima di espandersi gradualmente per includere applicazioni più ampie. Questo approccio graduale consente un perfezionamento iterativo basato sull’esperienza reale, riflettendo l’approccio meticoloso e incentrato sul paziente che definisce l’innovazione sanitaria.
La fiducia aumenta quando l’IA viene vista come una tecnologia di supporto che amplifica le capacità umane. I neurologi possiedono una vasta esperienza clinica e competenze di cui l’IA non è dotata, competenze che sono preziose per contestualizzare le intuizioni generate dall’IA. Vari studi e applicazioni pratiche esemplificano la sinergia tra neurologi e intelligenza artificiale. Questo approccio collaborativo può snellire in modo significativo il processo di interpretazione, portando ad analisi più accurate, diagnosi più rapide da parte del medico e risultati migliori per il paziente.
Neurologi, epilettologi e altri esperti di neurologia stanno appena iniziando a comprendere come i big data e l’IA possano essere utilizzati per ottenere migliori risultati sanitari in futuro. Ad esempio, i ricercatori stanno attualmente lavorando con l’IA e i dati EEG7 per aiutare i medici a identificare la potenziale attività epilettiforme sottostante nei bambini che mostrano comportamenti anomali. Nell’ambito della neurochirurgia, l’integrazione multiforme dell’IA in neurologia sottolinea il suo potenziale di rimodellare le pratiche cliniche e le tecniche neurochirurgiche.8
Nel campo dei disturbi convulsivi, l’apprendimento automatico è in grado di prevedere gli esiti della chirurgia dell’epilessia con un’accuratezza fino al 90%, mentre il rilevamento automatico delle crisi epilettiche mediante tecniche di intelligenza artificiale migliora l’analisi EEG del cuoio capelluto. Il ruolo dell’intelligenza artificiale si estende alla neuro-oncologia, dove supporta la classificazione non invasiva dei gliomi mediante l’analisi dei dati della risonanza magnetica. Nello spazio delle disabilità intellettive, le interfacce cervello-macchina guidate dall’intelligenza artificiale possono consentire agli individui disabili di interagire con il loro ambiente utilizzando segnali cerebrali.
L’intelligenza artificiale viene utilizzata anche per prevedere la necessità di TAC9 nelle lesioni cerebrali traumatiche pediatriche lievi, dove l’uso eccessivo di immagini e radiazioni può creare problemi. Data l’enorme quantità di dati disponibili, le applicazioni per l’interpretazione dell’EEG utilizzando i big data e l’IA sono infinite.
Con un numero ancora maggiore di strumenti di IA per la neurologia a portata di mano, il percorso dai primi algoritmi di apprendimento automatico alla sofisticata tecnologia di oggi alimentata dall’IA ha già aperto la strada a un profondo rapporto di fiducia e collaborazione tra IA e neurologia. Con l’integrazione dell’IA nella pratica quotidiana, neurologi, epilettologi e team di neurodiagnostica possono portare il proprio lavoro a livelli ancora più alti di precisione ed efficienza. L’uso dell’intelligenza artificiale per l’interpretazione dell’EEG non rappresenta solo un progresso tecnologico, ma anche una collaborazione in evoluzione che porterà sempre più benefici al campo della neurologia.
FONTI
1. “A Better Way to Onboard AI.” Harvard Business Review, 28 Apr. 2022, hbr.org/2020/07/a-better-way-to-onboard-ai
2. Yannick Roy et al 2019 J. Neural Eng. 16 051001DOI 10.1088/1741-2552/ab260c
3. JAMA Neurol. 2023;80(8):805-812. doi:10.1001/jamaneurol.2023.1645
4. Front. Hum. Neurosci., 12 Marzo 2019 Sec. Brain Imaging and Stimulation. Volume 13 – 2019
5. Yannick Roy et al 2019 J. Neural Eng. 16 051001DOI 10.1088/1741-2552/ab260c
6. “Trustworthy Adoption of AI in Healthcare.” DNV, www.dnv.com/research/healthcare-programme/data-sharing.html. Consultato il 24 agosto 2023.
7. Donoghue, Dr. Jacob. “Transforming Epilepsy Clinical Trials with EEG and Machine Learning.” Drug Discovery and Development, 17 marzo 2023.
8. Ganapathy Krishnan, Abdul Shabbir Syed, Nursetyo Aldilas Achmad “Artificial intelligence in neurosciences: A clinician’s perspective” Neurology India 2018, Volume 66, Numero 4, Pagina 934-939
9. “Top 4 Ai Use Cases in Neurology in 2023.” AIMultiple, research.aimultiple.com/neurology-ai/. Consultato il 24 agosto 2023.
