Medicina, intelligenza artificiale e prevenzione del tumore ai polmoni

I vantaggi dell’intelligenza artificiale nella prevenzione del tumore ai polmoni sono stati illustrati da Gerard A. Silvestri e James R. Jett in un recente articolo scientifico.

Due ampi studi randomizzati controllati, il National Lung Screening Trial (NLST) negli Stati Uniti e il Dutch-Belgian lung-cancer screening trial (NELSON) in Europa, hanno documentato riduzioni della mortalità per cancro del polmone rispettivamente del 20% e del 24% in quelli sottoposti a screening utilizzando la tomografia computerizzata del torace a bassa dose di radiazioni (LDCT).

Nell’articolo che accompagna questo editoriale, Mikhael et altri, riferiscono che un modello di intelligenza artificiale e apprendimento profondo, chiamato Sybil, può prevedere il futuro rischio di cancro ai polmoni di un individuo dopo una tomografia computerizzata al torace. Questo modello è un primo passo importante verso un approccio di precisione allo screening del cancro del polmone, ma capire chi trarrebbe veramente vantaggio da questa tecnologia richiederà investimenti significativamente maggiori in studi prospettici mirati a gruppi con diversi profili di rischio. il modello è stato sviluppato e convalidato internamente utilizzando più di 12.000 LDCT dell’NLST. I risultati son stati poi convalidati esternamente in due set di dati di grandi dimensioni separati, in totale più di 23.000 schermi LDCT in una coorte del Massachusetts General Hospital e del Chang Gung Memorial Hospital (CGMH) a Taiwan.

Vantaggi per le diagnosi future

Dopo una valutazione prospettica, si potrebbe immaginare che questo modello venga utilizzato per migliorare l’aderenza al follow-up in coloro in cui il modello suggerisce un’alta probabilità di sviluppo del cancro in futuro.

Il modello può anche ridurre il lavoro non necessario e i test potenzialmente invasivi nei noduli che si prevede non porteranno al cancro in futuro.

Con più test, Sybil potrebbe essere in grado di prevedere quali pazienti potrebbero trarre vantaggio dall’allungamento dell’intervallo tra gli screening o addirittura dall’interruzione dello screening in quelli con un rischio estremamente basso di sviluppare il cancro. Tali informazioni possono essere particolarmente utili in aggiunta a una visita decisionale condivisa per i pazienti con un elevato carico di comorbidità e un’aspettativa di vita limitata.

Con una futura valutazione prospettica, il modello potrebbe essere in grado di identificare i gruppi a rischio che attualmente non non soddisfano i criteri della US Preventative Services Task Force per l’inclusione in un programma di screening.

Non c’è violazione della privacy

Il modello non richiede dati demografici del paziente, fattori di rischio o identificazione manuale e caratterizzazione dei noduli, ognuno dei quali richiede tempo e competenza, limitando l’uso pratico di alcuni degli altri modelli DL. In teoria, il codice del modello può essere eseguito in tempo reale sullo sfondo di qualsiasi stazione di lettura radiologica e fungere da secondo lettore.

Fonte: https://ascopubs.org/doi/full/10.1200/JCO.22.02885

Leggi le ultime news su: https://w3b.today

Può interessarti anche: Le sfide che IA generativa presenta alla società e all’industria

Seguici su Telegram https://t.me/presskit

Related Posts