Apprendimento automatico multimodale nella sanità di precisione: una revisione dell'ambito

npj Medicina Digitale volume 5, numero articolo: 171 (2022) Citare questo articolo

18k accessi

19 citazioni

47 Altmetrico

Dettagli sulle metriche

L’apprendimento automatico viene spesso sfruttato per affrontare i problemi nel settore sanitario, compreso l’utilizzo per il supporto alle decisioni cliniche. Il suo utilizzo è stato storicamente focalizzato su singoli dati modali. I tentativi di migliorare la previsione e imitare la natura multimodale del processo decisionale degli esperti clinici sono stati raggiunti nel campo biomedico dell’apprendimento automatico fondendo dati disparati. Questa revisione è stata condotta per riassumere gli studi attuali in questo campo e identificare argomenti maturi per la ricerca futura. Abbiamo condotto questa revisione in conformità con l’estensione PRISMA per Scoping Reviews per caratterizzare la fusione multimodale dei dati in ambito sanitario. Le stringhe di ricerca sono state stabilite e utilizzate nei database: PubMed, Google Scholar e IEEEXplore dal 2011 al 2021. Nell'analisi è stata inclusa una serie finale di 128 articoli. Le aree sanitarie che più comunemente utilizzano metodi multimodali sono state la neurologia e l’oncologia. La fusione anticipata è stata la strategia di fusione dei dati più comune. In particolare, si è verificato un miglioramento delle prestazioni predittive quando si utilizza la fusione dei dati. Nei documenti mancavano chiare strategie di implementazione clinica, l’approvazione della FDA e l’analisi di come l’utilizzo di approcci multimodali da diverse sottopopolazioni possa migliorare i pregiudizi e le disparità sanitarie. Questi risultati forniscono una sintesi sulla fusione multimodale dei dati applicata ai problemi di diagnosi/prognosi sanitaria. Pochi articoli hanno confrontato i risultati di un approccio multimodale con una previsione unimodale. Tuttavia, quelli che lo hanno fatto hanno ottenuto un aumento medio del 6,4% nell’accuratezza predittiva. L’apprendimento automatico multimodale, sebbene più robusto nelle sue stime rispetto ai metodi unimodali, presenta degli svantaggi nella sua scalabilità e nella natura dispendiosa in termini di tempo della concatenazione delle informazioni.

Il supporto alle decisioni cliniche è stato a lungo un obiettivo per coloro che implementano algoritmi e apprendimento automatico nella sfera sanitaria1,2,3. Esempi di supporti decisionali algoritmici utilizzano valori di test di laboratorio, protocolli di imaging o caratteristiche cliniche (punteggi di esami fisici)4,5. Alcune diagnosi sanitarie possono essere effettuate sulla base di un singolo valore di laboratorio o di una singola soglia, come nel caso del diabete negli anziani6. Altre diagnosi si basano su una costellazione di segni, sintomi, valori di laboratorio e/o imaging di supporto e vengono definite diagnosi cliniche. Spesso queste diagnosi cliniche si basano su sistemi di punteggio additivi che richiedono una mescolanza di segni distintivi positivi e negativi prima dell'etichettatura di conferma.

Il modus operandi di una diagnosi clinica potrebbe non riuscire a considerare il peso relativo di questi disparati input di dati e le relazioni potenzialmente non lineari che evidenziano i limiti della capacità decisionale umana. La forza del supporto algoritmico al processo decisionale è che può essere utilizzato per scaricare tali compiti, ottenendo idealmente un risultato di maggior successo. Questa è la promessa della medicina di precisione. La medicina/salute di precisione mira a creare un modello medico che personalizzi l'assistenza sanitaria (decisioni, trattamenti, pratiche, ecc.) su misura per il fenotipo dell'individuo o del paziente7. Ciò include il monitoraggio longitudinale delle traiettorie di salute dei pazienti8, spesso incorporando genetica/epigenetica9,10 e modelli matematici11 in cui diagnosi e trattamenti incorporano queste informazioni uniche12. Confrontate questo con il modello “un farmaco adatto a tutti”, in cui esiste un unico trattamento per ogni disturbo. La Figura 1 illustra il flusso di informazioni provenienti da ospedali/centri di cura che generano dati disparati. È attraverso la modellazione computazionale e la fusione delle informazioni che i risultati di interesse, come gli obiettivi farmacologici e terapeutici, facilitano in definitiva un migliore processo decisionale a livello del paziente in tali centri di cura. Questo fenomeno ha suscitato interesse per gli studi sulla fusione utilizzando dati sanitari.

Le informazioni si muovono secondo uno schema ciclico dai centri sanitari ai beni comuni dell’informazione, dove possono essere trasformate ed eseguita la modellazione algoritmica. Questi algoritmi forniscono informazioni su molti diversi risultati sanitari come studi clinici, fenotipizzazione, scoperta di farmaci, ecc. Queste informazioni dovrebbero tornare ai centri sanitari e ai professionisti per fornire la medicina più efficiente e basata sull’evidenza possibile.