L’intelligenza collettiva può ridurre le diagnosi mediche errate
Una soluzione completamente automatizzata aumenta significativamente l’accuratezza diagnostica
[24 Ottobre 2023]
Si stima che ogni anno negli Stati Uniti 250.000 persone muoiano per errori medici evitabili: molti di questi errori sono imputabili a falle del processo diagnostico. Un modo efficace per aumentare l’accuratezza diagnostica è quello di combinare le diagnosi di più medici in una diagnosi collettiva. Tuttavia, nell’ampio contesto della medicina clinica generale, non esistono metodi affidabili per aggregare diagnosi indipendenti. Lo studio “Automating hybrid collective intelligence in open-ended medical diagnostics”, pubblicato su Proceedings of the National Academy of Sciences of the United States of America (PNAS) da un team di ricercatori del Max-Planck-Instituts für Bildungsforschung, dell’Istituto di scienze e tecnologie della cognizione del Cnr (Cnr-Istc) e della Norges teknisk-naturvitenskapelige universitet ha sviluppato un approccio basato sull’intelligenza collettiva per aumentare l’accuratezza delle diagnosi mediche e ne emerge che «Una soluzione completamente automatizzata aumenta significativamente l’accuratezza diagnostica».
I ricercatori hanno utilizzato metodi di intelligenza artificiale e di ingegneria della conoscenza e hanno testato la loro soluzione su 1.333 casi medici forniti da The Human Diagnosis Project (Human Dx), ognuno dei quali è stato diagnosticato in modo indipendente da 10 medici.
Al Cnr-Istc dicono che «La soluzione collettiva ha aumentato in modo sostanziale l’accuratezza diagnostica: i singoli partecipanti hanno raggiunto il 46% di accuratezza, mentre l’unione delle decisioni di 10 partecipanti ha aumentato l’accuratezza fino al 76%. I miglioramenti sono stati osservati per tutte le specialità mediche, i sintomi principali e i livelli di inquadramento dei partecipanti».
L’autore principale dello studio, Ralf Kurvers del Forschungsbereich Adaptive Rationalität del Max-Planck-Instituts für Bildungsforschung “I nostri risultati dimostrano come l’intelligenza collettiva possa essere utile per migliorare i servizi sanitari e salvare vite umane».
I ricercatori evidenziano che «E’ stato dimostrato che l’intelligenza collettiva aumenta l’accuratezza delle decisioni in molti settori, come le previsioni geopolitiche, gli investimenti e la diagnostica in radiologia e dermatologia. Tuttavia, l’intelligenza collettiva è stata applicata principalmente a compiti decisionali relativamente semplici. Le applicazioni a problemi più complessi e aperti, come la gestione delle emergenze o la diagnostica medica generale, sono in gran parte assenti a causa della difficoltà di integrare input non standardizzati provenienti da persone diverse». Per superare questo ostacolo, lo studio ha utilizzato tecniche di intelligenza artificiale come i grafi semantici di conoscenza e il natural language processing, riuscendo a standardizzare e allineare le diagnosi mediche tramite l’ontologia medica SNOMED CT, una terminologia clinica multilingue completa.
Un altro autore dello studio, Vito Trianni del Cnr-Istc, sottolinea che «Un contributo fondamentale del nostro lavoro è che, pur mantenendo la centralità delle diagnosi fornite dall’uomo, le nostre procedure di aggregazione e valutazione sono completamente automatizzate, evitando possibili distorsioni nella generazione della diagnosi finale e consentendo al processo di essere più efficiente in termini di tempo e di costi».
Attualmente, i ricercatori stanno attualmente collaborando – insieme ad altri partner – nell’ambito del progetto HACID per portare la loro applicazione più vicina al mercato. Il progetto, finanziato dall’Ue, esplorerà un nuovo approccio che riunisce esperti umani, rappresentazione della conoscenza e ragionamento automatico, al fine di creare nuovi strumenti per il supporto alle decisioni in vari settori. L’applicazione della tecnologia HACID alla diagnostica medica illustra una delle tante opportunità di trarre vantaggio da un sistema sanitario basato sulla tecnologia digitale e su dati accessibili.