Il machine learning rivoluzionerà la pratica clinica nell’oncologia personalizzata?


  • Daniela Ovadia — Agenzia Zoe
  • Attualità mediche
L'accesso ai contenuti di questo sito è riservato agli operatori del settore sanitario italiano L'accesso ai contenuti di questo sito è riservato agli operatori del settore sanitario italiano

Da circa due decenni si studia come l’intelligenza artificiale e il machine learning (l’apprendimento automatico, ossia quel meccanismo che permette a una macchina intelligente di migliorare le proprie capacità e prestazioni nel tempo) possano essere usati per diagnosticare e classificare i tumori. Poco è stato fatto per quanto riguarda l’applicazione di questi metodi alla formulazione della prognosi.

Di questo si è però occupato un team di ricercatori dell’Università San Raffaele e dell’Università “Tor Vergata” di Roma che ha creato uno strumento per la stima del rischio di progressione nel tumore della mammella. Per farlo, i ricercatori hanno appositamente adattato uno strumento, che combina un algoritmo di machine learning e un metodo di ottimizzazione random, originariamente messo a punto per stimare il rischio di trombosi associata a cancro. Il set di discriminanti con valore prognostico è stato costruito a partire da elementi clinico-patologici e da dati biochimici accertati di routine.

Lo strumento di supporto decisionale così sviluppato è stato in grado di stratificare le pazienti con tumore primario della mammella in due gruppi, ad alto e basso rischio di progressione. La percentuale di pazienti con una probabilità di sopravvivenza libera da progressione di 5 anni era significativamente più bassa tra le pazienti del gruppo ad alto rischio rispetto a quelle a basso rischio (26% contro 85%).

“Il machine learning ha recentemente iniziato a prendere piede nella comunità oncologica per lo sviluppo di modelli di classificazione prognostica di progressione e sopravvivenza - concludono gli autori – È nostra opinione che un approccio combinato di algoritmi di machine learning e modelli di ottimizzazione random abbia il potenziale di migliorare la precisione dei modelli. Prima che un approccio di machine learning approdi nella pratica clinica serviranno però la validazione in studi prospettici multicentrici e le capacità di gestire in modo appropriato le questioni di privacy relativamente ai dati delle cartelle sanitarie elettroniche”.