L’efficienza della gestione dei pazienti con possibile frattura traumatica nelle unità di pronto soccorso dipende considerevolmente dalla tempestività della diagnosi, che spesso è pregiudicata dai tempi richiesti per la refertazione delle indagini radiologiche. D’altra parte le condizioni di urgenza pongono gli operatori a rischio di errori nell’interpretazione degli esami strumentali, in particolare se non specialisti. Errori che secondo alcune stime possono arrivare a rappresentare quasi un quarto del totale delle diagnosi inesatte formulate in questo specifico ambito sanitario.
Questa la considerazione preliminare che ha ispirato lo studio realizzato da un gruppo di radiologi, ortopedici e medici di medicina generale dell’Università di Boston in collaborazione con i ricercatori dell’Istituto di sistemi intelligenti e robotica della Sorbona di Parigi con l’obiettivo di verificare in un contesto sperimentale la potenziale utilità dell’intelligenza artificiale per ottimizzare l’identificazione delle fratture nelle immagini radiografiche.
Gli autori hanno utilizzato un algoritmo specifico per il riconoscimento delle fratture sviluppato a partire da una serie di oltre 60.000 radiogrammi ricavati dalla casistica traumatologica di 22 dipartimenti di emergenza-urgenza dall’azienda informatica francese Gleamer (che ha anche progettato e finanziato il lavoro) per testare le performance di un campione di 24 operatori con diversa competenza specialistica.
Il materiale sottoposto era costituito da 480 radiografie, 60 per ciascuno di otto distretti (piede-caviglia, ginocchio-gamba, anca-bacino, mano-polso, gomito-braccio, spalla-clavicola, cassa toracica e colonna dorso-lombare), di cui il 50% con presenza di una o più fratture e l’altra metà negative e con almeno il 25% di fratture “evidenti” (per definizione scomposte, comminute, angolate o comunque facilmente identificabili da qualsiasi operatore) e il 25% di fratture “non evidenti” (per definizione non facilmente identificabili anche da un radiologo esperto). Le immagini sono state presentate a ogni operatore due volte, con e senza l’aiuto dell’algoritmo, a distanza di almeno un mese.
La lettura assistita dal software ha migliorato la capacità interpretativa di tutti gli specialisti del campione con l’eccezione dei radiologi e dei reumatologi, con un guadagno in sensibilità, rispetto alla lettura del solo operatore, del 10,4% (dal 64,8% al 75,2% delle letture) senza che si sia riscontrata una riduzione della specificità, che è anzi aumentata per tutti gli specialisti. L’effetto è risultato significativo per tutte le sedi anatomiche tranne che per il distretto spalla-clavicola e per la colonna dorso-lombare, per tutti i tipi di fratture, sia evidenti che non evidenti, e anche per le fratture singole e multiple. L’intervento dell’intelligenza artificiale ha inoltre consentito agli operatori di abbreviare i tempi di lettura delle lastre, risparmiando in media 6,3 secondi per paziente.
«Pur con i limiti della situazione sperimentale, con la quale abbiamo peraltro cercato di simulare la pratica clinica di un contesto di emergenza – concludono Ali Guermazi e collaboratori – il nostro studio indica che il supporto di sistemi informatici approntati specificamente per l’identificazione delle fratture può perfezionare le performance degli operatori nell’interpretazione degli esami radiologici, prevenendo diagnosi errate».
Monica Oldani
Giornalista Tablod di Ortopedia