L’integrazione dell’intelligenza artificiale (IA) nell’interpretazione delle immagini mediche ha dimostrato un grande potenziale di miglioramento dell’accuratezza e dell’efficienza diagnostica. Le configurazioni collaborative, in cui i sistemi di IA assistono i medici nel processo decisionale, sono approcci pratici per sfruttare i vantaggi dell’IA e al contempo le competenze dei medici. Tuttavia, per ottimizzare l’implementazione dell’IA nella pratica clinica è fondamentale avere una comprensione completa dell’eterogeneità, ovvero degli effetti diversi e personalizzati dell’assistenza dell’IA sui medici. I medici possiedono diversi livelli di competenza, esperienza e stili decisionali: garantire che il supporto dell’IA tenga conto di questa eterogeneità è essenziale per un’implementazione mirata e per massimizzare l’impatto positivo sulla cura del paziente. Su questo tema la settimana scorsa è stato pubblicato uno studio su Nature che mostra interessanti risultati. I ricercatori dell’Harward Medical School di Boston sono partiti dal fatto che gli studi precedenti sulla collaborazione tra medici e IA si erano concentrati prevalentemente sull’analisi di gruppi di medici nel loro complesso, trascurando le variazioni nel modo in cui l’IA influisce sui singoli medici in base a fattori quali l’anzianità del radiologo, la competenza e il livello di esperienza. Gli studi disponibili finora spesso misurano le variazioni nelle previsioni piuttosto che le variazioni nell’accuratezza delle previsioni. Questo studio analizza gli effetti eterogenei del trattamento dell’assistenza dell’IA sui radiologi per la diagnosi delle radiografie del torace. I risultati, basati su un campione su larga scala di 140 radiologi, evidenziano l’esistenza di un’eterogeneità negli effetti del trattamento, che ha implicazioni sostanziali per le prestazioni assolute e relative. Questi risultati di fatto sottolineano l’inadeguatezza di un approccio univoco all’assistenza all’IA ed evidenziano l’importanza di strategie personalizzate per massimizzare i benefici e minimizzare i potenziali danni. Capire chi beneficia dell’assistenza dell’IA e chi invece ne risente negativamente è fondamentale per indirizzare efficacemente l’assistenza dell’IA. Si è riscontrato che le caratteristiche dei radiologi basate sull’esperienza, tra cui gli anni, la sottospecializzazione in radiologia toracica e l’esperienza con gli strumenti di IA, non servono come predittori affidabili dell’effetto del trattamento, sia in termini di prestazioni di calibrazione che di discriminazione. Allo stesso modo, le misure dirette dell’abilità diagnostica, come l’errore non assistito, hanno mostrato un potere predittivo limitato per gli effetti del trattamento. Oltre a studiare le caratteristiche del radiologo che possono influire sull’effetto terapeutico dell’IA, lo studio dimostra che un’assistenza IA di qualità superiore porta a migliori effetti terapeutici in termini di prestazioni. Inoltre, si osserva che oltre a migliorare l’accuratezza dell’IA è importante aiutare i radiologi a identificare meglio le previsioni inesatte dell’IA. Di fatto quello che appare è che l’IA non può essere uno strumento uguale per tutti né capace di migliorare le prestazioni di tutti. Serve rispettare l’unicità del medico per ottenere il massimo dalla macchina. Questi dati ci sembrano quanto mai interessanti se guardiamo alle tante facili narrazioni di chi vuole vendere questi strumenti affermando a priori che porteranno a risultati qualitativi migliori. Ancora una volta più dello strumento conta il manico. © riproduzione riservata