Il casual machine learning rende più precise le diagnosi mediche

EfficaciaDLC.png
Fonte: Improving the accuracy of medical diagnosis with causal machine learning, Nature Communications volume 11

Babylon Health ha pubblicato sulla rivista Nature un interessante studio sul miglioramento della precisione delle diagnosi mediche mediante il casual machine learning.

Il machine learning o, in italiano, l’apprendimento automatico, promette di rivoluzionare il processo decisionale e la diagnosi clinica. Nel processo di diagnosi un medico mira a spiegare i sintomi del paziente determinando le malattie che li causano.

Nonostante i significativi sforzi di ricerca e il forte interesse commerciale, gli algoritmi diagnostici basati su IA non riescono a raggiungere l’accuratezza dei medici nella diagnosi differenziale, dove ci sono molteplici possibili cause dei sintomi di un paziente.

Ma perché gli attuali algoritmi non sono efficaci nella diagnosi differenziale? Tutti gli algoritmi diagnostici esistenti, compresi quelli impostati sul modello bayesiano e il Deep Learning, si basano sull’inferenza associativa: identificano le malattie in base alla loro correlazione con i sintomi del paziente e con l’anamnesi.

I medici, al contrario, formulano la diagnosi selezionando le malattie che offrono le migliori spiegazioni causali per i sintomi dei pazienti. Come notato da Pearl, l’inferenza associativa è la più semplice in una gerarchia di possibili schemi di inferenza. L’inferenza controfattuale si trova in cima a questa gerarchia e permette di attribuire ai dati le spiegazioni causali.

I ricercatori, nel loro studio, hanno dimostrato che la diagnosi è fondamentalmente un compito di inferenza controfattuale e che la mancata dissociazione della correlazione dalla causalità pone forti vincoli all’accuratezza degli algoritmi diagnostici associativi, che a volte si traducono in diagnosi non ottimali o pericolose.

SintomiMalattie.png
Fonte: Improving the accuracy of medical diagnosis with causal machine learning, Nature Communications volume 11

I ricercatori hanno quindi sviluppato un algoritmo controfattuale e lo hanno confrontato con un algoritmo diagnostico associativo all’avanguardia e una coorte di 44 medici, utilizzando un set di test di 1671 schede cliniche.

I medici raggiungono un’accuratezza diagnostica media del 71,40%, mentre l’algoritmo associativo raggiunge un’accuratezza simile del 72,52%, collocandosi nel 48% dei medici della coorte. L’algoritmo controfattuale raggiunge un’accuratezza media del 77,26%, collocandosi nel primo 25% della coorte e raggiungendo un’accuratezza clinica esperta. Questi miglioramenti sono particolarmente pronunciati per le malattie rare, dove gli errori diagnostici sono più comuni e spesso più gravi, con l’algoritmo controfattuale che fornisce una diagnosi migliore per il 29,2% delle malattie rare e il 32,9% delle malattie molto rare rispetto all’algoritmo associativo.

EfficaciaDLC
Fonte: Improving the accuracy of medical diagnosis with causal machine learning, Nature Communications volume 11

Questo nuovo algoritmo non è ancora presente nell’applicazione di Babylon disponibile al pubblico e sarà rilasciato solo dopo aver ottenuto tutte le necessarie approvazioni regolamentari.

Chi volesse leggere tutto lo studio può trovarlo qui.

Rispondi