Fratture, diagnosi migliore con l’intelligenza artificiale

0
80

Non sempre in Pronto Soccorso è presente un radiologo esperto, accade che la lettura di un esame diagnostico venga effettuata da un radiologo non esperto o, addirittura, da un medico di altra specialità, tant’è che il tasso di errore di lettura di una radiografia può arrivare al 24%. Questi errori, per lo più fratture non diagnosticate, possono accadere anche a causa di una mole eccessiva di lavoro.

L’intelligenza artificiale potrebbe essere un supporto utile per arginare questo problema, come evidenziato da un recente studio statunitense e francese. 480 le radiologie prese in considerazione da questo studio multicentrico e retrospettivo, esaminate primariamente da due esperti del settore per avere una verità di base con cui confrontare le diagnosi successive, effettuate da 24 specialisti di differenti specialità con o senza il supporto dell’intelligenza artificiale, uguale per tutti. Tra i medici coinvolti, radiologi, ortopedici, reumatologi e medici emergenza/urgenza. In generale, gli autori hanno misurato una sensibilità per paziente maggiore nelle letture AI-assistite, con un incremento del 10,4%.

Simili i risultati per la specificità della diagnosi. Quanto evidenziato vale per tutte le regioni del corpo considerate, tranne spalla e clavicola… si parla quindi di piede, caviglia, ginocchio, gamba, anca, bacino, mano, polso, gomito, arto superiore, cassa toracica e colonna vertebrale. Sarebbe senza dubbio interessante ripetere lo studio su un numero ancora maggiore di pazienti, per confermare queste prime evidenze, ma gli autori si spingono a suggerire che l’intelligenza artificiale possa davvero facilitare la lettura delle radiografie muscoloscheletriche, a tutto vantaggio di medici e pazienti. Tra le strutture ospedaliere coinvolte vi sono il Massachussets General Hospital, la Soborna di Parigi, il Mount Sinai Hospital di New York e la Scuola di Medicina dell’Università di Boston.

(Lo studio: Ali Guermazi, Chadi Tannoury, Andrew J. Kompel, Akira M. Murakami, Alexis Ducarouge, André Gillibert, Xinning Li, Antoine Tournier, Youmna Lahoud, Mohamed Jarraya, Elise Lacave, Hamza Rahimi, Aloïs Pourchot, Robert L. Parisien, Alexander C. Merritt, Douglas Comeau, Nor-Eddine Regnard, and Daichi Hayashi. Improving Radiographic Fracture Recognition Performance and Efficiency Using Artificial Intelligence. Radiology. Pubblicato online il 21 dicembre 2021. Doi: https://doi.org/10.1148/radiol.210937)

Stefania Somaré

LASCIA UN COMMENTO

Please enter your comment!
Please enter your name here