Questa è l’era dei Big Data. Oggi ognuno di noi è un generatore sorprendente di dati che possono essere analizzati e quindi utilizzati in svariati ambiti e il campo medico-sanitario non fa eccezione.

Chi durante una visita medica non si è sentito fare domande come “Lei fuma?”, “Quanto pesa?”, “Qualche patologia particolare in famiglia?”, “Va regolarmente di corpo?”. Ogni risposta a queste domande, anche apparentemente poco utili, rappresenta una fonte preziosissima di informazioni.

Tuttavia, questa imponente mole di dati richiede analisi e interpretazioni adeguate per poterne trarre dei benefici clinicamente significativi per i pazienti.

La statistica tradizionale è stata in grado di elaborare dei modelli che aiutano ogni i medici a prendere decisioni sempre più accurate per individuare la giusta terapia per il singolo paziente. Tuttavia, per quanto riguarda il tumore alla prostata il paziente viene messo molte volte di fronte alla scelta di diversi percorsi terapeutici. Dopo aver ricevuto una diagnosi di tumore, l’uomo ha la possibilità di valutare pro e contro degli approcci che gli vengono presentati e decidere.

Ma quanto è agevole per un “non-medico” pesare benefici ed effetti collaterali di una terapia di cui ha appena appreso l’esistenza? E quanto lo stato emotivo dovuto al momento può influire su questa scelta?

E’ stato visto che un paziente informato ha una probabilità più alta di scegliere terapie migliori e di non andare incontro ai diversi effetti avversi.

Ma come può un paziente analizzare i dati a disposizione per avere un aiuto a prendere decisioni informate?

Recentemente è stato reso disponibile un nuovo sistema basato sul Web che utilizzando un registro per il tumore della prostata, il Michigan Urological Surgery Improvement Collaborative (MUSIC), può fornire agli uomini che hanno appena ricevuto una diagnosi di tumore prostatico localizzato un’opportunità per visualizzare le decisioni terapeutiche di altri pazienti con caratteristiche simili.

Questa piattaforma, chiamata askMUSIC, ha utilizzato i dati provenienti da 7.543 uomini con diagnosi di carcinoma prostatico, sottoposti a diverse terapie come prostatectomia radicale, sorveglianza attiva, radioterapia, deprivazione androgenica e il vigile attesa. Fondendo i dati di età, numero di biopsie positive di tumore, Gleason Score è stato costruito un programma disponibile ora all’indirizzo https://ask.musicurology.com.

Il sito offre una vasta gamma di informazioni sul tumore alla prostata, dai fattori di rischio alla descrizione delle opzioni di trattamento. E’ attualmente in lingua inglese, ma molto semplice e intuitivo. I pazienti devono inserire alcune variabili tra cui età, valore di PSA, Gleason Score (primario e secondario), numero di biopsie positive, numero totale di biopsie prelevate, peso del paziente e una stima di comorbidità limitata (storia di infarto del miocardio e diabete). A questo punto l’algoritmo di apprendimento automatico fornirà la risposta alla domanda: “Quali trattamenti hanno scelto i pazienti simili a me?”.

L’apprendimento automatico basato sui dati del registro clinico è una nuova strategia per il processo decisionale in ambito medico. askMUSIC consente ai pazienti di interagire direttamente con il modello ed avere chiarezza sulla propria malattia, terapia e vita. Basandosi su informazioni obiettive, questo strumento potrebbe migliorare il processo decisionale del paziente e aumentare la soddisfazione delle cure.

Tuttavia, la quantità e, soprattutto, la qualità delle variabili utilizzate hanno un impatto enorme sulle prestazioni e sulla generalizzabilità di questi modelli di apprendimento automatico. Bisogna tenere conto che l’esito previsto della decisione di trattamento del paziente dipende dalla popolazione di pazienti su cui è stato addestrato l’algoritmo. Queste decisioni terapeutiche sono probabilmente influenzate non solo da ciò che offre il medico curante, ma anche dalle caratteristiche del paziente tra cui personalità, valori e cultura.

Sebbene MUSIC sia una collaborazione tra 45 diverse comunità e centri accademici che rappresentano la maggior parte degli urologi che praticano all’interno del Michigan, i risultati previsti potrebbero essere probabilmente diversi rispetto ad altre regioni del mondo. Pertanto, questi algoritmi potrebbero non essere direttamente applicabili a tutti i pazienti e richiedere di volta in volta la convalida.

Indipendentemente da ciò, il fascino dell’apprendimento automatico è che i modelli continuano ad imparare e sono facili da “riqualificare” con l’inserimento di nuovi dati, massimizzando l’accuratezza predittiva in diverse popolazioni di pazienti con diversi profili demografici e clinici.

Bisogna ricordare che l’addestramento di questi modelli automatici dipende dall’accuratezza dei dati che vengono inseriti e quindi dall’uomo. Questo ci dice che l’intelligenza artificiale non sostituirà il medico nel processo decisionale condiviso, ma potrà rappresentare un interessante supporto nella scelta di un percorso terapeutico più personalizzato possibile.

Almeno per ora.