“Un modello di intelligenza artificiale ha identificato con successo le persone a più alto rischio di cancro al pancreas, fino a tre anni prima della diagnosi, utilizzando esclusivamente le cartelle cliniche dei pazienti, secondo una nuova ricerca condotta dai ricercatori della Harvard Medical School e dell’Università di Copenaghen, in collaborazione con VA Boston Healthcare System, Dana-Farber Cancer Institute e Harvard TH Chan School of Public Health”. Ad affermarlo è il dottor Giovanni Ghirga nella sua nuova lettera.
“I risultati, pubblicati l’8 maggio su Nature Medicine – spiega il medico – suggeriscono che lo screening della popolazione basato sull’intelligenza artificiale potrebbe essere prezioso per trovare le persone a rischio elevato di contrarre la malattia e potrebbe accelerare la diagnosi di una condizione riscontrata troppo spesso in stadi avanzati, quando il trattamento è molto meno efficace e i risultati sono pessimi, hanno commentato i ricercatori. Il cancro al pancreas è uno dei tumori più mortali al mondo e si prevede che il suo numero aumenterà .
Attualmente non esistono strumenti a livello di popolazione per eseguire uno screening ampio per il cancro al pancreas. Coloro che hanno una storia familiare e alcune mutazioni genetiche che li predispongono al cancro del pancreas, vengono sottoposti a screening in modo mirato. Tuttavia, tali proiezioni mirate possono trascurare altri casi che non rientrano in quelle categorie.
“Una delle decisioni più importanti che i medici devono affrontare quotidianamente è trovare chi è ad alto rischio per una malattia e quali individui, tra questi, trarrebbero beneficio da ulteriori test; questo potrebbe anche significare procedure più invasive e più costose che comportano propri rischi”, ha commentato uno degli autori della ricerca, Chris Sander , membro della facoltà del Dipartimento di Biologia dei Sistemi presso l’Istituto Blavatnik dell’HMS. Uno strumento di intelligenza artificiale in grado di concentrarsi sulle persone a più alto rischio di cancro al pancreas che trarranno i maggiori benefici da ulteriori test potrebbe fare molto per migliorare il processo decisionale clinico. Applicato su larga scala un tale approccio potrebbe accelerare il rilevamento del cancro del pancreas, portare a un trattamento precoce, migliorare i risultati e prolungare la durata della vita dei pazienti.
“Molti tipi di cancro, in particolare quelli difficili da identificare e curare precocemente, gravano in modo sproporzionato sui pazienti, sulle famiglie e sul sistema sanitario”, ha affermato Søren Brunak, professore di biologia dei sistemi di malattia e direttore della ricerca presso il Novo Nordisk Foundation Center for Protein Research presso l’Università di Copenaghen .
” Lo screening basato sull’intelligenza artificiale è un’opportunità per alterare la traiettoria del cancro al pancreas, una malattia aggressiva che è notoriamente difficile da diagnosticare precocemente e trattare prontamente quando le possibilità di successo sono più alte”, ha affermato Brunak.
Nel nuovo studio, l’algoritmo AI è stato addestrato su due set di dati separati per un totale di 9 milioni di record di pazienti dalla Danimarca e dagli Stati Uniti. I ricercatori hanno “chiesto” al modello AI di cercare segni rivelatori basati sui dati contenuti nei dati.
Sulla base delle combinazioni di codici di malattia e della tempistica della loro comparsa, il modello è stato in grado di prevedere quali pazienti potrebbero sviluppare il cancro al pancreas in futuro. In particolare, molti dei sintomi e dei codici di malattia non erano direttamente correlati o derivanti dal pancreas.
I ricercatori hanno testato diverse versioni dei modelli di intelligenza artificiale per la loro capacità di rilevare persone a rischio elevato di sviluppo della malattia entro diverse scale temporali: 6 mesi, un anno, due anni e tre anni.
Nel complesso, ogni versione dell’algoritmo AI era sostanzialmente più accurata nel prevedere chi avrebbe sviluppato il cancro al pancreas rispetto alle attuali stime di incidenza della malattia a livello di popolazione, definite come la frequenza con cui una condizione si sviluppa in una popolazione in un determinato periodo di tempo. I ricercatori hanno affermato di ritenere che il modello sia accurato nella previsione dell’insorgenza della malattia almeno quanto lo sono gli attuali test di sequenziamento genetico che di solito sono disponibili solo per un piccolo sottogruppo di pazienti nei set di dati.
Lo screening per alcuni tumori comuni come quelli del seno, della cervice e della ghiandola prostatica si basa su tecniche relativamente semplici e altamente efficaci: rispettivamente una mammografia, un Pap test e un esame del sangue.
Questi metodi di screening hanno trasformato i risultati per queste malattie garantendo la diagnosi precoce e l’intervento durante le fasi più curabili.
In confronto, il cancro al pancreas è più difficile e più costoso da esaminare e testare. I medici guardano principalmente alla storia familiare e alla presenza di mutazioni genetiche, indicazioni che, pur essendo importanti indicatori di rischio futuro, spesso non sono presenti in molti pazienti.
Un vantaggio particolare dello strumento AI è che potrebbe essere utilizzato su tutti i pazienti per i quali sono disponibili cartelle cliniche e anamnesi, non solo in quelli con storia familiare nota o predisposizione genetica alla malattia. Questo è particolarmente importante, aggiungono i ricercatori, perché molti pazienti ad alto rischio potrebbero non essere nemmeno consapevoli della loro predisposizione genetica o della loro storia familiare.
In assenza di sintomi e senza una chiara indicazione che qualcuno sia ad alto rischio di cancro al pancreas, i medici possono essere comprensibilmente cauti nel raccomandare test più sofisticati e più costosi, come scansioni TC, risonanza magnetica o ecografia endoscopica.
Quando questi test vengono utilizzati e vengono scoperte lesioni sospette, il paziente deve sottoporsi a una procedura per effettuare una biopsia. Posizionato in profondità all’interno dell’addome, l’organo è di difficile accesso e facile da interessare e infiammare. La sua irritabilità gli è valsa il soprannome di “l’organo arrabbiato”.
Uno strumento di intelligenza artificiale che identifichi le persone a più alto rischio di cancro al pancreas garantirebbe ai medici di testare la popolazione giusta, risparmiando agli altri test e procedure aggiuntive inutili, hanno affermato i ricercatori.
Circa il 44% delle persone diagnosticate nelle prime fasi del cancro al pancreas sopravvive cinque anni dopo la diagnosi, ma solo il 12% dei casi viene diagnosticato così presto . Il tasso di sopravvivenza scende dal 2 al 9% in coloro i cui tumori sono cresciuti oltre il loro sito di origine, stimano i ricercatori.
“Quel basso tasso di sopravvivenza è presente nonostante i marcati progressi nelle tecniche chirurgiche, nella chemioterapia e nell’immunoterapia”, ha commentato Sander. “Quindi, oltre a trattamenti sofisticati, c’è una chiara necessità di screening migliori, test più mirati e diagnosi precedenti; in questo caso l’approccio basato sull’intelligenza artificiale entra in gioco come primo passo fondamentale”.
Per il presente studio, i ricercatori hanno progettato diverse versioni del modello AI e le hanno addestrate sulle cartelle cliniche di 6,2 milioni di pazienti del sistema sanitario nazionale danese nell’arco di 41 anni. Di questi pazienti, 23.985 hanno sviluppato nel tempo il cancro al pancreas.
Durante la formazione, l’algoritmo ha individuato schemi indicativi del futuro rischio di cancro al pancreas in base alle traiettorie della malattia, ovvero se il paziente presentava determinate condizioni che si sono verificate in una determinata sequenza nel tempo.
Ad esempio, diagnosi come calcoli biliari, anemia, diabete di tipo 2 e altri problemi correlati all’apparato gastrointestinale facevano presagire un rischio maggiore di cancro al pancreas entro 3 anni dalla valutazione.
Meno sorprendentemente, l’infiammazione del pancreas era fortemente predittiva di futuro cancro al pancreas entro un arco di tempo ancora più breve di due anni.
I ricercatori avvertono che nessuna di queste diagnosi di per sé dovrebbe essere considerata indicativa o causativa di futuro cancro al pancreas. Tuttavia, lo schema e la sequenza in cui si verificano nel tempo offrono indizi per un modello di sorveglianza basato sull’intelligenza artificiale e potrebbero indurre i medici a monitorare più da vicino le persone a rischio elevato o eseguire test di conseguenza.
Successivamente, i ricercatori hanno testato l’algoritmo con le migliori prestazioni su una serie completamente nuova di record di pazienti che non aveva mai incontrato in precedenza: un set di dati della US Veterans Health Administration di quasi 3 milioni di cartelle cliniche che coprono 21 anni e contengono 3.864 individui con diagnosi di cancro al pancreas.
L’accuratezza predittiva dello strumento era leggermente inferiore nel set di dati degli Stati Uniti. Ciò era molto probabile perché il set di dati degli Stati Uniti è stato raccolto in un periodo di tempo più breve e conteneva profili di popolazione di pazienti leggermente diversi: l’intera popolazione della Danimarca nel set di dati danese rispetto al personale militare attuale ed ex militare nel set di dati Veterans’ Affairs.
Quando l’algoritmo è stato riaddestrato da zero sul set di dati degli Stati Uniti, la sua accuratezza predittiva è migliorata. Questo, hanno affermato i ricercatori, sottolinea due punti importanti: in primo luogo, garantire che i modelli di intelligenza artificiale siano addestrati su dati ricchi e di alta qualità. In secondo luogo, la necessità di accedere a grandi set di dati rappresentativi di cartelle cliniche aggregate a livello nazionale e internazionale.
In assenza di tali modelli validi a livello globale, i modelli di IA dovrebbero essere addestrati sui dati sanitari locali per garantire che la loro formazione rifletta le idiosincrasie delle popolazioni locali”.
Placido, D., Yuan, B., Hjaltelin, J.X. et al. A deep learning algorithm to predict risk of pancreatic cancer from disease trajectories. Nat Med (2023). https://doi.org/10.1038/s41591-023-02332-5
