Intelligenza artificiale in ambito ortopedico, tra applicazioni esistenti e future

456

L’intelligenza artificiale è già una componente essenziale della società in cui viviamo, notevoli sono i progressi che essa sta ottenendo anche in ambito diagnostico-terapeutico, dove è utilizzata per supportare il percorso decisionale dei clinici.

Nel complesso, si stima che l’applicazione dell’intelligenza artificiale all’ambito sanitario permetterà di risparmiare, solo negli USA, circa 150 milioni di dollari l’anno entro il 2026. Anche l’ambito ortopedico sta godendo degli avanzamenti dell’intelligenza artificiale, parte integrante della chirurgia robot assistita, per esempio.

Una recente revisione narrativa britannica ha indagato gli ambiti ortopedici che già utilizzano l’intelligenza artificiale, mettendo in evidenza anche i limiti e i contesti nei quali è importante rafforzare la ricerca futura.

Gli autori della review hanno passato in rassegna varie tipologie di algoritmo, partendo dal machine learning, che può essere di tre tipi: supervisionato, quindi allenato con dati certi ma in grado di fornire risposte anche su problemi nuovi; non supervisionato, che lavora invece su dati non categorizzati, associandoli per caratteristiche simili, e che richiede migliaia di passaggi prima di poter passare alla fase di validazione; semi-supervisionato, ambito nel quale la ricerca è molto attiva per individuare strumenti utili alla guida dei robot operatori.

Più complesso del machine learning, perché costituito da milioni di strati, è il deep learning, punto di partenza per i convolutional neural networks (CNNs), presi in considerazione per la diagnosi basata su immagini mediche, senza l’esigenza della presenza dell’uomo.
Si tratta di algoritmi composti da una serie di griglie sovrapposte, che possono riconoscere alcune caratteristiche delle immagini mediche e collegarle a particolari patologie.

Il natural language processing, poi, può aiutare a dare senso a una serie di informazioni di natura clinica e radiologica. L’applicazione caratteristica per questo algoritmo è la scansione di grandi archivi d’informazione, che l’uomo impiegherebbe mesi a leggere e selezionare.

Negli ultimi anni, sottolinea la revisione, sono stati condotti studi che rendono conto di percentuali di accuratezza per i CNNs vicino al 100, o capaci di stabilirne l’equivalenza o meno all’azione umana. Tuttavia, un CNNs necessita di validazione su una coorte interna e una esterna per poter essere applicato alla pratica clinica e sono pochi gli studi pubblicati che tengono conto di questo fatto.

Gli studi danno buone speranze anche sull’utilità del deep learning, in grado di distinguere tra lateralità, parti del corpo e altro ancora. Sono tante le patologie muscoloscheletriche che, secondo la letteratura, possono essere individuate dall’uno o l’altro tipo di algoritmo, partendo dai tumori ossi per arrivare alle anomalie dello sviluppo.

Le applicazioni possibili vanno poi dalla diagnosi su immagine radiografica, alla progettazione di un intervento di impianto protesico, senza dimenticare gli algoritmi predittivi, che consentirebbero di identificare il percorso di cura migliore per ogni paziente, tanto dal punto di vista riabilitativo, quanto per identificare i soggetti a maggior rischio di sviluppare complicanze postoperatorie e così via.

L’intelligenza artificiale può inoltre essere utile per allenarsi nelle capacità chirurgiche, quindi a livello di formazione. La tecnologia sembra quindi pronta, ma non è così. Il primo limite da considerare riguarda la trasferibilità di un algoritmo a strutture differenti da quella in cui è stato sviluppato: ciò sottende la possibile differenza di macchinari diagnostici utilizzati in varie strutture, ma anche la tipologia di popolazione trattata e così via.

Per esempio, l’etnia può in qualche modo influenzare gli esiti di un algoritmo di intelligenza artificiale. Occorrono quindi regole condivise che consentano di allestire studi condivisi, i cui esiti possano essere validi in senso generale, supportando quindi la possibilità di utilizzare i tool studiati in modo più ampio.

(Lo studio: Lisacek-Kiosoglous AB, Powling AS, Fontalis A, Gabr A, Mazomenos E, Haddad FS. Artificial intelligence in orthopaedic surgery. Bone Joint Res. 2023;12(7):447-454. doi:10.1302/2046-3758.127.BJR-2023-0111.R1)