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.
Un team di ricerca del Max Planck Institute for Human Development, dell'Istituto di scienze e tecnologie della cognizione del Consiglio nazionale delle ricerche di Roma (Cnr-Istc) e della Norwegian University of Science and Technology hanno recentemente sviluppato una soluzione completamente automatizzata utilizzando metodi di intelligenza artificiale e di ingegneria della conoscenza.
I ricercatori hanno testato la loro soluzione su 1.333 casi medici forniti da The Human Diagnosis Project (Human Dx, https://www.humandx.org), ognuno dei quali è stato diagnosticato in modo indipendente da 10 medici. 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.
"I nostri risultati dimostrano come l'intelligenza collettiva possa essere utile per migliorare i servizi sanitari e salvare vite umane", afferma il primo autore Ralf Kurvers, ricercatore senior presso il Center for Adaptive Rationality del Max Planck Institute for Human Development. È noto 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, sono state utilizzate 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 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", aggiunge Vito Trianni del Cnr-Istc.
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.