L’AI entra nei trial e li velocizza: dalle lettere di dimissione al reclutamento dei pazienti

Trovare rapidamente i pazienti che possono partecipare a una sperimentazione clinica è una delle attività più complesse e dispendiose della ricerca. I criteri di inclusione ed esclusione degli studi possono essere numerosi e richiedono di confrontare informazioni cliniche distribuite nella documentazione sanitaria. Un lavoro che, nella pratica, è spesso affidato alla valutazione manuale dei professionisti e che può essere rallentato dalla grande quantità di dati contenuti nelle cartelle cliniche. È in questo spazio che si inserisce l’intelligenza artificiale generativa. Un nuovo studio italiano ha valutato la possibilità di utilizzare un Large Language Model, GPT-4.1, per trasformare le informazioni contenute nelle lettere di dimissione cardiologiche in dati strutturati e utilizzarli successivamente per individuare i pazienti potenzialmente eleggibili per studi clinici. La ricerca, pubblicata sull’International Journal of Medical Informatics, è stata condotta da un gruppo dell’Università di Pavia e dell’ICS Maugeri di Pavia nell’ambito del progetto nazionale “Using AI-based technologies to improve the clinical trial process”.

Dalla lettera di dimissione ai criteri della sperimentazione

Il sistema sperimentato segue un percorso in più fasi. Il modello di AI analizza le lettere di dimissione e identifica una serie di informazioni cliniche precedentemente definite dai ricercatori. Questi dati vengono quindi trasformati in una struttura standardizzata che può essere utilizzata da un motore basato su regole per verificare i criteri di eleggibilità degli studi. L’obiettivo non è dunque affidare all’AI l’intero processo decisionale, ma combinare due componenti: da una parte la capacità del Large Language Model di interpretare il linguaggio clinico, anche quando le informazioni sono espresse in modi differenti; dall’altra un sistema deterministico, basato su regole, incaricato di verificare in modo controllato i criteri della sperimentazione. Per la sperimentazione sono state analizzate 100 lettere di dimissione reali relative a pazienti adulti con malattia coronarica. I risultati prodotti dal sistema sono stati confrontati con una “ground truth” definita attraverso l’annotazione effettuata da tre clinici.

Accuratezza del 94% nell’estrazione delle informazioni

Il sistema ha raggiunto un’accuratezza superiore al 90% per 25 delle 35 variabili cliniche analizzate. Gli errori sono risultati più frequenti soprattutto nell’identificazione di alcune condizioni, come angina instabile, infarto miocardico e comorbidità, quando queste informazioni erano riportate nella documentazione attraverso formulazioni indirette o espressioni lessicalmente differenti. La ricerca ha inoltre valutato la capacità del sistema di classificare i pazienti in quattro diversi profili di malattia coronarica, sulla base delle informazioni estratte dalla documentazione clinica. Per alcuni sottotipi sono stati osservati falsi negativi o falsi positivi, a conferma del fatto che la qualità dell’interpretazione del linguaggio clinico rimane un elemento determinante.

L’AI per selezionare i candidati agli studi clinici

La seconda parte della sperimentazione ha riguardato la verifica dei criteri di eleggibilità per due studi clinici relativi a trattamenti ipolipemizzanti, uno basato su inclisiran e l’altro su alirocumab. La stima complessiva del potenziale errore è risultata inferiore al 10% per entrambi gli studi analizzati. Il dato è particolarmente interessante perché la selezione dei pazienti per una sperimentazione clinica non consiste semplicemente nel riconoscere una diagnosi. I criteri possono includere età, comorbidità, valori di laboratorio, terapie in corso, precedenti eventi cardiovascolari e caratteristiche cliniche specifiche. Informazioni che devono essere estratte dalla documentazione e poi confrontate con condizioni precise.

Non solo velocità: il problema dell’affidabilità

L’interesse verso i Large Language Model nella ricerca clinica nasce anche dalla loro capacità di lavorare con il linguaggio naturale. Le informazioni presenti nelle cartelle cliniche, infatti, non sono normalmente organizzate secondo una struttura uniforme: la stessa condizione può essere descritta utilizzando parole, abbreviazioni o formulazioni differenti. È proprio questa flessibilità, però, a rappresentare anche una delle principali criticità. I modelli linguistici possono produrre interpretazioni errate, essere condizionati dalla qualità dei dati disponibili e incorrere in fenomeni di “allucinazione”. A questo si aggiungono questioni legate a bias, protezione dei dati, responsabilità e validazione clinica. Per questo gli autori hanno scelto un’architettura ibrida: il Large Language Model viene utilizzato soprattutto per interpretare e strutturare il testo, mentre la verifica finale dell’eleggibilità viene affidata a regole predefinite. Un approccio che, secondo i ricercatori, permette di combinare la flessibilità dell’AI con un maggiore controllo sul processo decisionale.

Una sperimentazione ancora circoscritta

Gli stessi autori sottolineano però i limiti dello studio. Il sistema è stato sviluppato e testato in un contesto specifico, quello cardiologico, e su criteri di eleggibilità relativi a studi clinici nell’ambito della terapia ipolipemizzante. La struttura utilizzata è inoltre strettamente legata alle variabili cliniche e ai criteri considerati nella sperimentazione. Prima di un’eventuale applicazione più ampia sarà quindi necessario verificare il comportamento del sistema in altri ambiti clinici e su documentazione più eterogenea. Tra gli sviluppi futuri indicati dagli autori ci sono anche la gestione degli errori presenti nella documentazione clinica, delle eventuali informazioni contraddittorie all’interno dello stesso documento e dei criteri di eleggibilità che dipendono dalla dimensione temporale, come eventi avvenuti entro un determinato periodo.

Verso una nuova gestione del reclutamento

Lo studio italiano non dimostra che l’AI possa sostituire il lavoro dei ricercatori o dei clinici nella selezione dei partecipanti a una sperimentazione. Mostra piuttosto che un Large Language Model può essere utilizzato come componente di una pipeline strutturata per automatizzare alcune delle attività preliminari del reclutamento. L’elemento più rilevante, quindi, non è soltanto l’accuratezza raggiunta dal modello, ma la possibilità di integrare l’intelligenza artificiale con sistemi basati su regole e con la validazione clinica. Una prospettiva che potrebbe contribuire a rendere più rapido e sistematico il processo di identificazione dei potenziali candidati agli studi clinici, mantenendo però il controllo umano sulle decisioni che riguardano il paziente. Per gli autori, i risultati rappresentano un primo passo verso l’integrazione dell’intelligenza artificiale nei processi reali della ricerca clinica. Un passaggio che, prima di tradursi in applicazioni su larga scala, richiederà ulteriori validazioni, in contesti clinici diversi e su popolazioni e documentazioni più ampie.

Iscriviti alla Newsletter di Sanità Informazione per rimanere sempre aggiornato