Un esame non si chiede sperando che sia positivo
Quando una dottoressa richiede una troponina, non si sta domandando “questo paziente ha un infarto?”. Si sta domandando “quanto devo rivedere la mia stima alla luce di questo risultato?”. Sono due domande diverse.
Prima ancora di chiedere l’esame, ha già una stima. Un uomo di 62 anni con dolore toracico irradiato al braccio sinistro e diaforesi ha un’alta probabilità pre-test di sindrome coronarica acuta. Una donna di 28 anni con lo stesso sintomo dopo tre espressi ne ha una bassa. Lo stesso risultato della troponina significa cose diverse nell’uno e nell’altra. Nel primo, una troponina lievemente aumentata conferma ciò che la dottoressa già sospettava. Nella seconda, lo stesso risultato è più probabilmente un falso positivo: l’esame non è perfetto, e quando si applica un esame imperfetto a chi con ogni probabilità non ha la malattia, i numeri giocano contro.
Ogni esame ha una sensibilità e una specificità. La sensibilità dice quante volte l’esame individua la malattia quando c’è davvero. La specificità dice quante volte esclude correttamente chi non ce l’ha. Nessun esame arriva al 100% né sull’una né sull’altra. Un esame con sensibilità del 95% perde comunque il 5% dei casi veri. Uno con specificità del 90% segnala per errore il 10% delle persone sane. Sono proprietà dell’esame, non del paziente. E significano che ogni risultato porta con sé un’incertezza che dovrebbe modificare la nostra fiducia, non sostituirla.
Il ragionamento bayesiano è questo. Si parte da ciò che già si sa del paziente. Arriva un’informazione nuova. Si aggiorna la stima in base a quanto quell’informazione è affidabile. Poi si ricomincia con la successiva.
Quasi tutta l’IA clinica fa il contrario
La maggior parte dei sistemi di IA in sanità lavora all’indietro. Prende un insieme di dati (parametri vitali, esami, diagnosi, farmaci) e li confronta a posteriori con gli schemi appresi dai dati di addestramento. Il sistema vede una creatinina di 1,6, un diabete in anamnesi, un ACE-inibitore in terapia, e restituisce “probabile malattia renale cronica”, perché quella combinazione di elementi ricorreva spesso nei casi su cui è stato addestrato.
Sembra ragionevole, finché non si pensa a ciò che manca. Il sistema non sa se la creatinina stia salendo o sia stabile. Non sa se l’ACE-inibitore sia stato prescritto per proteggere il rene o per la pressione. Non sa che due anni fa la creatinina era 0,9 e da allora è salita senza sosta. Non tiene conto del fatto che, in questa popolazione, il dosaggio dell’albumina urinaria ha un tasso di falsi positivi del 15%. Si limita a confrontare l’istantanea di oggi con gli schemi del passato e ad applicare un’etichetta.
Davanti allo stesso paziente, un medico ragionerebbe in avanti. Partirebbe dalla probabilità a priori di malattia renale cronica, data l’età, il sesso e i fattori di rischio. La aggiornerebbe in base alla creatinina, ma lo peserebbe in base a quanto si fida di un’unica misurazione della creatinina. Guarderebbe l’andamento, non solo il valore di oggi. Terrebbe conto dell’ACE-inibitore, ma prima di considerarlo un indizio di nefropatia si chiederebbe perché è stato prescritto. Ogni elemento sposta la probabilità, e ognuno conta in proporzione alla sua affidabilità.
L’approccio retrospettivo si chiede: a che cosa somiglia? Quello prospettico si chiede: dato tutto ciò che sappiamo finora, che cosa ci dice questa nuova informazione, e quanto possiamo fidarci?
Vedere il paziente, non solo i risultati
Una delle prime cose che si imparano in reparto è che si cura il paziente, non l’esame. Un potassio di 5,8 su un campione emolizzato non significa nulla. Una pressione di 160 in un paziente arrivato di corsa all’appuntamento non è ipertensione. È il contesto a decidere se un risultato è segnale o rumore, e il contesto richiede di conoscere il paziente oltre ciò che c’è nella cartella di oggi.
Un’IA generalista elabora risultati. Legge i numeri, le note, le diagnosi codificate, e produce una risposta basata su schemi testuali. In questo è bravissima. Riassume una lettera di dimissione più in fretta di chiunque. Estrae dati strutturati da un testo clinico disordinato. Ma legge la cartella come si legge un caso clinico su un manuale. A cose fatte.
La dottoressa che visita un paziente in tempo reale fa un’altra cosa. Ragiona nell’incertezza, in avanti nel tempo, aggiornando la propria valutazione man mano che arriva ogni nuova informazione, e dando a ciascuna il peso della fiducia che merita. Sa che un D-dimero positivo in un paziente a basso rischio è probabilmente un falso positivo. Sa che una radiografia del torace normale non esclude una polmonite iniziale. Ha in testa la probabilità a priori e la corregge a ogni reperto, non in misura uguale, ma in proporzione al valore diagnostico di ciascuno.
Quando abbiamo costruito Chroneme volevamo che il sistema ragionasse come lei, non come un motore di ricerca. In avanti, non all’indietro. Aggiornando le probabilità a ogni nuova evidenza, pesata per quanto è davvero affidabile.
Come funziona in pratica
Un uomo di 58 anni con diabete di tipo 2 viene per gli esami di routine. La sua probabilità di partenza di malattia renale cronica, data l’età, il sesso e il diabete, si colloca a un certo livello. Non zero, perché il diabete è la prima causa di malattia renale cronica. Non alta, perché non ha sintomi né precedenti reperti renali.
La creatinina risulta 1,2. Tecnicamente è nella norma, ma è più alta dell’ultima volta. Il sistema aggiorna la stima. Di poco, perché una singola creatinina appena aumentata ha un valore diagnostico modesto: sensibilità e specificità di un’unica creatinina per la malattia renale cronica, prese da sole, non sono particolarmente forti.
Dieci mesi dopo la creatinina è 1,4 e l’eGFR è sceso sotto 60. Ora l’aggiornamento è più ampio, perché un eGFR sotto 60 ha un valore diagnostico per la malattia renale cronica molto più alto. Ma il sistema vede anche qualcosa che un modello statico non può vedere: la traiettoria. La creatinina non è soltanto aumentata. Sale a una velocità che, proiettata in avanti, entra in un intervallo preoccupante.
Un anno dopo compare la proteinuria. Ora la probabilità è abbastanza alta da giustificare un intervento. Ma ecco la parte che conta dal punto di vista clinico: il sistema segnalava questo paziente mesi prima che comparisse la proteinuria. Non con certezza, ma con una probabilità che saliva in un modo che meritava attenzione. La dottoressa che rivede la cartella può vedere ogni aggiornamento, che cosa l’ha determinato, e decidere se è d’accordo. Se ritiene che l’ACE-inibitore sia stato prescritto per la pressione e non per il rene, può dare a quell’elemento un peso diverso nel suo giudizio clinico. Il sistema mostra il suo ragionamento. Lei applica il proprio.
La traiettoria stessa diventa un’evidenza, indipendente da qualsiasi singolo valore.
Perché conta per la fiducia
Quando una rete neurale dice “73% di probabilità di malattia renale cronica”, non c’è modo di chiederle perché. Il numero emerge da milioni di parametri che non corrispondono a concetti clinici. Un medico non può guardarlo e dire “sulla creatinina sono d’accordo, ma secondo me stai dando troppo peso alla storia farmacologica”. Non esiste una parte sulla creatinina. Non esiste una parte sui farmaci. Esiste solo un numero.
Quando un sistema bayesiano dice 73%, il medico può chiedere perché. Può vedere quali evidenze hanno spostato la probabilità, e di quanto. Può dissentire su un fattore preciso e applicare il proprio giudizio. È in questo dialogo che l’IA clinica cambia davvero la cura. Senza dialogo il risultato è un’affermazione. Con il dialogo diventa un argomento.
Un nefrologo a cui abbiamo mostrato il sistema l’ha detto con chiarezza. Ha esaminato la catena delle evidenze di un paziente e ha detto che era d’accordo su quasi tutto, ma che secondo lui un fattore aveva troppo peso, perché il contesto della prescrizione era diverso da quello che il sistema presupponeva. Aveva ragione. E il fatto che potesse fare quell’osservazione, indicare il fattore preciso e mettere in campo la propria competenza è esattamente ciò che un sistema di supporto alle decisioni cliniche dovrebbe consentire. Una scatola nera gli avrebbe dato la stessa probabilità, senza alcun modo di avere quella conversazione.
I limiti che dichiariamo apertamente
L’inferenza bayesiana presuppone che le evidenze siano condizionatamente indipendenti, data la malattia. In medicina clinica spesso non lo sono. Nella malattia renale cronica creatinina e proteinuria sono correlate. È un limite noto, e risolverlo in modo perfetto è un problema ancora aperto nel campo.
La qualità del risultato dipende dalla qualità dei pesi attribuiti alle evidenze. Alcuni sono ben consolidati in letteratura. Altri sono approssimazioni che affiniamo con la validazione. La calibrazione è un lavoro in corso, e non fingiamo il contrario.
L’inferenza bayesiana gestisce bene le evidenze strutturate e quantificabili: esami di laboratorio, parametri vitali, farmaci, diagnosi codificate. Gestisce meno bene le note cliniche in testo libero e i sintomi riferiti dal paziente. Per tipi diversi di dati clinici usiamo approcci diversi, scegliendo lo strumento adatto al problema.
Abbiamo scelto l’inferenza bayesiana perché rispecchia il modo in cui i medici già pensano. Il sistema rende formale ciò che un buon clinico fa d’istinto, su larga scala, per ogni paziente, di continuo. Tutto qui. Nessuna magia. Solo la matematica che sta dietro al ragionamento clinico, resa esplicita.