L’intelligenza artificiale per il pediatra




Una tecnologia per trasformare gli outcome clinici del bambino e superare le disuguaglianze nell’accesso alle cure.

Alberto Eugenio Tozzi

Responsabile Unità di Ricerca Medicina Preventiva e Predittiva

Ospedale Bambino Gesù, Roma

Senza farci caso, la nostra vita quotidiana è diventata un incontro continuo con le applicazioni dell’intelligenza artificiale (IA). Dalla ricerca dei film o della musica a noi più congeniali, ai suggerimenti sugli acquisti online, al più tradizionale navigatore durante i viaggi, questa tecnologia ci dà supporto consentendoci di compiere in modo rapido ed efficiente azioni complesse. Non sorprende che l’IA rappresenti una promessa per numerose azioni in medicina e in Pediatria che sono segnate pesantemente dalla complessità e dall’incertezza. Negli ultimi decenni la medicina e la Pediatria hanno fatto enormi passi avanti grazie al progresso scientifico e alla medicina basata sulle evidenze, ma ora ci avviciniamo ad un’epoca nella quale è attesa una grande trasformazione delle cure attraverso l’IA. È ora di voltare pagina? Sicuramente sì, ma, chiariamolo subito, l’IA non è una alternativa alla medicina basata sulle evidenze, ma ne può diventare un complemento formidabile. Tutto questo a patto che, invece di subirla, i medici e i pediatri acquisiscano sufficiente familiarità con l’IA, consapevolezza dei limiti, e conoscenza delle funzioni principali, in modo da governarla ed adattarla alle esigenze cliniche a vantaggio del paziente. Per quanto riguarda la Pediatria, oltre le considerazioni che sono condivise con la medicina dell’adulto, esistono alcune specificità, come il gruppo di età dei nostri pazienti che rappresentano una popolazione vulnerabile con i problemi etici connessi, e nel contempo il potenziale vantaggio di usare tecnologie con famiglie, pazienti compresi, che hanno familiarità con la tecnologia, quelli che spesso chiamiamo nativi digitali. 

L’elemento essenziale dell’intelligenza artificiale: i dati

L’IA è una tecnologia diversa dalle procedure statistiche alle quali siamo abituati e da queste va distinta. Il concetto principale è che l’IA impara. Contrariamente al meccanismo di apprendimento dell’uomo nel quale un esempio permette il ragionamento su molti casi simili, l’IA è tanto più accurata quanto più numerosi sono gli esempi con i quali viene addestrata. Quando il navigatore satellitare indica una strada sbagliata (evento ormai raro) è probabilmente perché tra i dati utilizzati per sviluppare (addestrare) l’applicazione manca un caso simile a quello richiesto o sufficiente a prevedere quella particolare circostanza. Questo punto è fondamentale per comprendere che la parte più importante degli algoritmi di IA sono i dati utilizzati per il loro sviluppo. È facile comprendere che un algoritmo addestrato sui dati di un piccolo numero di pazienti di una singola area geografica sarà difficilmente generalizzabile. Per questo motivo, è molto importante tendere alla combinazione di grandi quantità di dati che siano eterogenei e rappresentativi. Se questa riflessione era già importante per gli studi clinici tradizionali, lo è ancora di più per le applicazioni di IA. E se vogliamo adoperarci per utilizzare questa tecnologia per migliorare le cure, dovremo favorire la condivisione dei dati necessari per addestrare gli algoritmi al più alto livello possibile, tra vari centri clinici, con le conseguenti implicazioni regolatorie. L’ulteriore implicazione riguarda il fatto che i sistemi basati sull’IA, come il navigatore per i nostri viaggi, dovrebbero essere continuamente aggiornati con un flusso continuo di dati perché producano risultati accurati. Anche questa considerazione implica una serie di sfide da raccogliere nell’accesso e nell’uso dei dati. Infine, l’IA è una tecnologia adatta a gestire informazioni cosiddette multimodali, cioè di tipo diverso, come ad esempio immagini diagnostiche, dati genetici e informazioni cliniche per la predizione di un singolo esito. Esattamente come il pediatra considera varie informazioni cliniche per gestire il proprio paziente.

Le applicazioni dell’intelligenza artificiale in Pediatria

L’intelligenza artificiale per classificare le immagini

La capacità dell’IA di classificare le immagini diagnostiche permette un livello di discriminazione dei pattern che sarebbe impossibile ottenere ad occhio nudo. Non è un caso che la radiologia sia una delle discipline che utilizza più ampiamente l’IA. Lo screening di immagini ecografiche che devono essere classificate come normali o che meritano un approfondimento è una delle applicazioni tipiche dell’IA, come dimostrato ad esempio nella valutazione ecografica renale del bambino. Distinguere le immagini diagnostiche normali da quelle patologiche in modo automatico, su larga scala, ha il potenziale di ridurre i tempi di refertazione e di concentrare l’attenzione e il tempo degli operatori sulle immagini più complesse. 

Di certo, nell’interpretazione delle immagini, le applicazioni che riguardano l’oncologia hanno un impatto potenziale molto elevato.1 Attraverso questa tecnologia potremmo evitare o ridurre il ricorso a procedure invasive bioptiche, specialmente nei tumori cerebrali, e aumentare la capacità di caratterizzare i tumori solidi in modo da orientare la terapia e predire la prognosi. Di fatto, uno dei filoni più caldi in radiologia è rappresentato dalla radiomica, una disciplina che mira a riconoscere biomarker di patologia dai pattern delle immagini.2 Questa disciplina -omica si aggiunge alle molte altre disponibili. La capacità di gestire dati multimodali (quindi eterogenei e da diverse sorgenti informative) è una delle funzioni che possono essere sviluppate dall’IA a tutto vantaggio della classificazione fine. 

Come accade nei sistemi complessi che governano le auto a guida autonoma, le applicazioni di IA sono in grado di classificare anche le immagini biomediche in formato video. Questa capacità ha interessanti implicazioni per la valutazione delle ecocardiografie. Non solo alcune diagnosi possono essere supportate da queste applicazioni, ma l’IA può essere utilissima per standardizzare le procedure stesse. L’ulteriore osservazione è che molte delle informazioni che normalmente trascuriamo durante l’ecocardiografia perché considerate secondarie, potrebbero essere valorizzate e rappresentare un progresso in questa procedura diagnostica. 




In riferimento ad altre immagini diagnostiche, in uno studio recente, un gruppo di autori ha affidato ad un algoritmo la classificazione di una serie di immagini otoscopiche.3 L’applicazione sviluppata presentava un’elevata accuratezza nel distinguere immagini otoscopiche normali da quelle anormali, anche se la performance diminuiva quando l’algoritmo veniva provato su coorti diverse da quelle utilizzate per l’addestramento. Questa applicazione rende facilmente l’idea di come l’IA potrebbe supplire alla mancata disponibilità di risorse specialistiche superando le barriere di spazio, tempo o di emarginazione sociale.

L’intelligenza artificiale per classificare i suoni

Nonostante la semeiotica fisica rappresenti uno dei fondamenti irrinunciabili della Pediatria clinica, il valore dei segni clinici osservati durante l’esame obiettivo si è progressivamente ridotto per dare importanza a marker di malattia standardizzati, misurabili e fondati su procedure e strumenti dedicati. Tra le varie procedure, l’ascoltazione toracica è una manovra fondamentale nella visita del bambino. È possibile addestrare algoritmi di IA per riconoscere e classificare i suoni polmonari registrati con uno stetoscopio elettronico e distinguerli con una performance elevata. Non solo questi algoritmi possono essere addestrati per distinguere reperti ascoltatori normali da quelli anormali, ma sono accurati nel distinguere anche i rantoli dai sibili.4 Anche in uno scenario post-pandemico come quello attuale, simili strumenti possono avere una funzione cruciale nelle attività di screening. Lo stesso principio può essere utilizzato nell’ascoltazione cardiaca. Una corretta classificazione dei soffi cardiaci potrebbe avere importanza laddove non è disponibile la capacità di interpretarli, con un impatto positivo sull’appropriatezza delle cure e sulla rapidità di intervento. Infine, si fa strada la possibilità di utilizzare biomarker vocali nella classificazione delle malattie. Si tratta di una prospettiva già concreta nelle malattie neurologiche dell’adulto ma con una prospettiva solida anche in Pediatria.

Diagnosi e decisioni cliniche difficili con l’intelligenza artificiale

Il medico o il pediatra alle prese con un caso difficile studiano le evidenze a disposizione e chiedono al collega esperto. Il ruolo dell’IA in queste circostanze potrebbe essere determinante e favorire lo sviluppo di sistemi di decisione clinica assistita. Questi non sono una novità assoluta, ma l’IA consente di analizzare pattern complessi e, per esempio, guidare la gestione delle lesioni cerebrali traumatiche, gestire il workflow delle prescrizioni di esami diagnostici in pronto soccorso, gestire i pazienti a rischio di sepsi, e i bambini con sospetto trauma intra-addominale.5 




La diagnosi differenziale è un altro degli ambiti nel quale l’IA può essere utile, specialmente dove non sono disponibili risorse specialistiche diagnostiche. Ad esempio, sono stati sviluppati algoritmi accurati per la diagnosi differenziale tra sindrome di Kawasaki e MIS-C6 o per l’infezione da RSV e la pertosse nel lattante, oppure per la colite ulcerosa e il morbo di Crohn.

Una delle sfide più complesse in Pediatria è effettuare una diagnosi corretta e tempestiva di malattia rara. Questi pazienti spesso vivono una vera odissea prima di ricevere una diagnosi corretta ed essere avviati a un programma terapeutico appropriato. Purtroppo le risorse specialistiche necessarie per porre una diagnosi di malattia rara non sono equamente distribuite. Ma anche in questo campo l’IA può rappresentare un progresso. 

Predire gli eventi

La predizione della prognosi del paziente è sicuramente un’area di applicazione interessante per l’IA. La prospettiva è quella di fare predizioni accurate in base a fini classificazioni e a nuovi marker di malattia. Questo approccio riguarda la maggior parte delle discipline pediatriche, come per esempio la cardiologia nella quale le cardiopatie congenite possono essere finemente classificate per una cardiologia di precisione. Probabilmente l’applicazione ai tumori cerebrali rappresenta la prospettiva più interessante. Un’analisi delle immagini diagnostiche attraverso l’IA permette l’identificazione di sottogruppi di malattie con caratteristiche prognostiche diverse.7 Ancora più interessante è l’opportunità offerta dalla possibilità di combinare informazioni diverse per ottenere classificazioni fini e predizioni precise come nel caso delle immagini istologiche e dell’espressione genica dei tumori. Nell’ottica della Pediatria di precisione, la combinazione di parametri clinici e di laboratorio diversi è fondamentale per la predizione della risposta alla terapia. Questo approccio non è specifico dell’oncologia ma può essere applicato anche ad altre patologie come nel caso delle malattie infiammatorie croniche intestinali. 

Interpretare il linguaggio naturale

Non c’è dubbio che buona parte delle informazioni cliniche utilizzate dal pediatra è costituita da note di testo libero che sono spesso lunghe e non standardizzate. In queste note sono frequentemente contenute informazioni preziose che vengono trascurate. Gli algoritmi in grado di processare il linguaggio naturale ci possono venire in aiuto. In un recente studio, l’analisi delle annotazioni cliniche in forma di testo libero prima che una commissione classificasse i casi, era in grado di identificare i casi di abuso infantile con una buona accuratezza.8 Lo stesso approccio può essere utilizzato per identificare i casi di allergia alimentare. In un Paese come l’Italia nel quale la lingua madre è ricca di sfumature, questi strumenti sono interessanti anche per una migliore interpretazione dei referti. Tra gli altri, questo aspetto potrebbe avere un valore particolare in radiologia, come dimostrato da un recente lavoro nel quale un algoritmo per l’interpretazione del linguaggio naturale era in grado di classificare accuratamente le polmoniti del bambino sulla base del referto della radiografia del torace, offrendo uno strumento per la rapida integrazione di queste informazioni nella cartella clinica.9




Probabilmente lo sviluppo di chatGPT ha avuto il merito di dimostrare in modo spettacolare la potenza di alcuni algoritmi che trattano il linguaggio naturale, in particolare dei large language model. La qualità di questi algoritmi è quella di generare conversazioni plausibili, coerenti con la base di dati con la quale sono stati addestrati. Per chatGPT, quest’ultima consiste con una buona approssimazione nei dati che sono liberamente accessibili attraverso il web. La lettura dei risultati ottenuti attraverso chatGPT (o i prodotti simili che sono rapidamente stati sviluppati) deve quindi tenere conto di queste considerazioni. Uno strumento così accurato nell’interpretazione e nell’elaborazione di testi può essere utilizzato per sintetizzare alcune informazioni sui sintomi come quelle necessarie per effettuare il triage del paziente. Fa riflettere che un recente lavoro ha confrontato la percezione della qualità delle risposte e dell’empatia a domande dei pazienti tra medici veri e chatGPT in un esperimento online. La grande maggioranza dei pazienti ha preferito le risposte di chatGPT. Naturalmente il contesto è difficilmente generalizzabile, ma il risultato dà l’idea di quanto questi strumenti siano raffinati nell’elaborazione dei testi.

Creare copie digitali di cellule, organi, pazienti

Uno degli esempi che spiega bene una delle specialità dell’IA è la capacità di riprodurre in forma digitale processi complessi come quelli biologici, come avviene in alcuni giochi digitali che simulano atleti con la possibilità di variare alcuni parametri di performance. Il concetto di copia digitale (digital twin) ha implicazioni molto importanti per la personalizzazione delle terapie. Nella forma più estrema, i digital twin possono essere utilizzati per eseguire sperimentazioni “virtuali”. Naturalmente, tanto più dettagliati sono i dati a disposizione per creare digital twin, e più interessanti saranno i risultati ottenuti. Ancora una volta questo concetto ha grandi implicazioni per i tumori cerebrali del bambino.10 In generale, la disponibilità di copie digitali di processi biologici, di organi o di pazienti, apre la prospettiva di eseguire sperimentazioni con molti meno vincoli rispetto a quelle in vivo e con investimenti assai più ridotti. Inoltre, queste sperimentazioni possono permettere la simulazione di trattamenti o altri interventi sul singolo paziente in tempi brevi, consentendo l’individualizzazione delle terapie.

Le implicazioni etiche

Le considerazioni etiche riguardo una tecnologia che ha il potenziale di raggiungere una autonomia almeno parziale infiammano le discussioni sull’etica. Si tratta di una discussione alla quale il pediatra deve partecipare per ribadire i principi clinici che la devono guidare. Gli aspetti critici sono diversi. Dato che i bambini rappresentano una popolazione vulnerabile, le distorsioni che possono essere introdotte negli algoritmi, se non adeguatamente addestrati, possono risultare in vere e proprie discriminazioni di tipo socioeconomico o addirittura razziali. Questo aspetto richiama l’importanza della qualità e della rappresentatività dei dati utilizzati nella fase di addestramento. Un punto ulteriore riguarda la difficoltà di spiegare facilmente il processo seguito dagli algoritmi per raggiungere le sue conclusioni. Questo aspetto, spesso indicato come mancanza di trasparenza (black box), rende difficile la comunicazione verso il paziente e la sua famiglia e i relativi consensi informati che dovrebbero essere richiesti quando l’IA rappresenta un vero intervento clinico. Esiste anche una discussione aperta sulle responsabilità legali attribuibili in caso di errore delle applicazioni dell’IA: è del produttore dell’algoritmo oppure del medico che lo usa? Inoltre, una grande parte del dibattito corrente si concentra sull’uso dei dati dei pazienti per lo sviluppo di queste applicazioni.




Da questa breve rassegna risulta chiaro che il potenziale di questa tecnologia è elevato quando i dati a disposizione sono tanti e rappresentano la popolazione generale. Tuttavia, la legislazione europea corrente in materia di dati (GDPR) è molto severa per quanto riguarda le informazioni sensibili. In questo momento i timori per uno sviluppo incontrollato delle applicazioni di IA sono maggiori dell’impegno per un avanzamento della qualità delle cure con questa tecnologia. Questo atteggiamento si traduce in enormi difficoltà per l’accesso ai dati dei pazienti e per la loro condivisione che sono elementi indispensabili per lo sviluppo dell’IA in medicina. È necessario modificare il bilancio tra queste forze perché l’intelligenza possa esprimere tutto il proprio potenziale per un avanzamento della qualità delle cure. Non è facile affrontare la complessità di questi punti anche se si fanno strada proposte per un approccio multidimensionale alla robustezza etica delle soluzioni di IA.

La formazione del pediatra

Quali sono le necessità formative del pediatra di fronte a questo scenario? Il rischio è quello di subire la tecnologia oppure di sentirsi inadeguati ad un uso routinario di essa. Al pediatra non serve imparare a programmare per sviluppare applicazioni di IA. Ma è il pediatra a dover istruire il processo di sviluppo sulla base delle esigenze cliniche. La formazione su questo tema, dunque, richiede che il pediatra si impadronisca degli usi che si possono fare dell’IA e degli elementi per lo sviluppo per evitare distorsioni nei risultati. Molti di questi elementi sono già nel background del medico. Sarebbe importante che programmi di formazione dedicati coinvolgano diversi profili professionali in modo da includere non solo gli aspetti caratteristici della tecnologia, ma anche quelli etici, quelli che riguardano il trasferimento nella routine clinica e, non ultimo, il modo più appropriato in cui studiare l’efficacia e la sicurezza di questi strumenti e generare nuove evidenze.




L’impatto e il futuro

L’IA non ha la facoltà del ragionamento umano, non crea nuove idee, non è regolata da principi etici e non è una risorsa diretta per l’innovazione in medicina. Tuttavia, ha già la possibilità di modificare radicalmente alcune operazioni ripetitive che ci distraggono dal rapporto con la famiglia e il paziente. Procedure come la redazione di note cliniche, la compilazione della cartella clinica, la preparazione di richieste, di lettere e email, possono già essere automatizzate con questa tecnologia. Ma la prospettiva più interessante è lavorare perché l’IA superi le disuguaglianze nelle cure del bambino. Non è un mistero che le risorse sanitarie specialistiche siano concentrate in centri di terzo livello che sono nella maggior parte dei casi situati in zone metropolitane. E non è un mistero che molti pazienti pediatrici per motivi di distanza geografica o di emarginazione sociale hanno grandi difficoltà di accesso a queste risorse. La convergenza di sistemi di IA correttamente addestrati tanto da offrire performance diagnostiche degne di una specialista e della bistrattata telemedicina, potrebbe facilmente superare queste barriere. Di fatto, per una volta, le tecnologie digitali possono avvicinare il paziente alle cure. 

La vasta serie di applicazioni già sperimentate e di quelle che potrebbero essere sviluppate disegna uno scenario rivoluzionario in medicina e in Pediatria. A questo scenario il pediatra non si deve solo adattare, ma deve diventarne un protagonista. Esistono svariati motivi perché questa sia la strada da seguire. In primis, è il pediatra a conoscere le esigenze cliniche che sono prioritarie e quindi per questo deve guidare lo sviluppo di queste applicazioni. Il secondo aspetto riguarda le implicazioni etiche e regolatorie dell’IA che sono peculiari del bambino ma devono considerare il potenziale impatto delle cure. Assistiamo a un irrigidimento delle regole per l’accesso ai dati e un conseguente generale rallentamento delle attività di ricerca nel settore.




È molto importante che la Pediatria aiuti a valutare un bilancio che permetta di facilitare la ricerca su questo tema senza indugi. Inoltre, l’implementazione di questa tecnologia richiede una profonda conoscenza del percorso di cura del paziente, ancora una volta patrimonio del pediatra. Infine, sarà impossibile costituire una massa critica in grado di progredire se i pediatri non si impadroniscono della conoscenza di questa materia e possono trasmetterla ai propri colleghi. Se queste condizioni si realizzeranno rapidamente, assisteremo a una profonda trasformazione della Pediatria a tutto beneficio dei pazienti. .

L’autore dichiara di non avere alcun conflitto di interesse.

Bibliografia

1. Yang Y, Zhang Y, Li Y. Artificial intelligence applications in pediatric oncology diagnosis. Explor Target Antitumor Ther 2023; 4: 157-69.

2. Wagner MW, Bilbily A, Beheshti M, Shammas A, Vali R. Artificial intelligence and radiomics in pediatric molecular imaging. Methods (San Diego, Calif.) 2021; 188: 37-43.

3. Habib AR, Xu Y, Bock K, et al. Evaluating the generalizability of deep learning image classification algorithms to detect middle ear disease using otoscopy. Sci Rep 2023; 13: 5368.

4. Park JS, Kim K, Kim JH, Choi YJ, Kim K, Suh DI. A machine learning approach to the development and prospective evaluation of a pediatric lung sound classification model. Sci Rep 2023; 13: 1289.

5. Ramgopal S, Sanchez-Pinto LN, Horvat CM, Carroll MS, Luo Y, Florin TA. Artificial intelligence-based clinical decision support in pediatrics. Pediatr Res 2023; 93: 334-41.

6. Lam JY, Shimizu C, Tremoulet AH, et al., CHARMS Study Group. A machine-learning algorithm for diagnosis of multisystem inflammatory syndrome in children and Kawasaki disease in the USA: a retrospective model development and validation study. Lancet Digit Health 2022; 4: e717–e726.

7. Grist, JT, Withey S, Bennett C, et al. Combining multi-site magnetic resonance imaging with machine learning predicts survival in pediatric brain tumors. Sci Rep 2021; 11: 18897.

8. Annapragada, AV, Donaruma-Kwoh MM, Annapragada AV, Starosolski ZA. A natural language processing and deep learning approach to identify child abuse from pediatric electronic medical records. PloS One 2021; 16: e0247404.

9. Rixe N, Frisch A, Wang Z, et al. The development of a novel natural language processing tool to identify pediatric chest radiograph reports with pneumonia. Front Digit Health 2023; 5: 1104604.

10. Thiong’o GM, Rutka JT. Digital twin technology: the future of predicting neurological complications of pediatric cancers and their treatment. Front Oncol 2022; 11: 781499.