L’IA per i dispositivi medici e la sanità digitale - MATLAB & Simulink

ebook

Capitolo 2

L’IA per la diagnosi precoce e il supporto alle decisioni cliniche

Secondo un recente report, gli errori medici sono la terza causa di morte negli Stati Uniti [2]. Gli errori sono per la maggior parte di tipo diagnostico, tra cui diagnosi errate e diagnosi mai fornite ai pazienti. La maggior parte delle persone negli Stati Uniti viene sottoposta ad almeno una diagnosi errata nel corso della propria vita e il 10% dei casi si conclude con il decesso [2] [3].

Con l’IA, l’elaborazione delle informazioni e il processo decisionale diventano più efficienti e meno soggetti a errori. Gli esempi che seguono illustrano come i dispositivi basati sull’IA possano aiutare gli operatori sanitari a fornire diagnosi migliori direttamente a partire da immagini mediche, segnali fisiologici o cartelle cliniche dei pazienti.

Una mappa in tempo reale del cuore e della sua attività elettrica e basata sull’IA aiuta il personale medico a individuare gli interventi chirurgici per la fibrillazione atriale. (Crediti dell’immagine: Corify Care)

Sfida

Quasi un adulto su tre oltre i 65 anni cade ogni anno, il che rende le cadute la principale causa di infortuni mortali e non mortali in questa fascia di età.

Soluzione

Kinesis Health Technologies ha sviluppato un dispositivo chiamato QTUG™ (Quantitative Timed Up and Go), un metodo oggettivo e quantitativo per lo screening del rischio di caduta, della fragilità e dei problemi di mobilità che impiega sensori inerziali wireless posizionati sulla gamba del paziente. Il prodotto finale si avvale di modelli basati sull’IA sviluppati con MATLAB per calcolare una stima del rischio di caduta (FRE) e un indice di fragilità (FI).

  • In un test QTUG, il paziente indossa due sensori inerziali wireless, uno su ciascuna gamba al di sotto del ginocchio. Ciascun sensore comprende un accelerometro e un giroscopio.
  • Per rimuovere il rumore ad alta frequenza nei dati raccolti da questi sensori, il team ha utilizzato filtri digitali progettati con Filter Designer di Signal Processing Toolbox™.
  • Il team ha utilizzato Statistics and Machine Learning Toolbox™ per selezionare il sottogruppo di feature con il più alto valore predittivo e convalidare un modello di classificatore discriminante regolarizzato implementato in MATLAB.
  • Successivamente ha addestrato i propri modelli su dati di studi clinici su migliaia di pazienti e ha valutato i risultati prodotti dal classificatore combinato.
  • Per aggiornare i coefficienti del classificatore in base a un nuovo set di dati di riferimento, gli ingegneri li hanno esportati da MATLAB in un file di risorse che è stato poi incorporato nella loro build.
Log delle metriche raccolte da un Timed up and Go test.

Metriche quantitative di un paziente. (Crediti dell’immagine: Kinesis Health Technologies)

Risultati

Ad oggi, QTUG è stato utilizzato dal personale medico di 8 paesi per esaminare oltre 20.000 pazienti. Il team continua a migliorare il set di dati di riferimento man mano che sono disponibili nuovi risultati. Secondo il team, il tempo di sviluppo è stato tre volte inferiore rispetto allo sviluppo in Java®, accelerando così il time to market e la registrazione come dispositivo di Classe I presso la FDA, la Health Canada e l’EMA (Agenzia europea per i medicinali).

Leggi l'articolo

Sfida

Un’aritmia cardiaca diffusa è la fibrillazione atriale (AFib). Quando le aritmie non si risolvono con farmaci o terapie d’urto, i pazienti possono richiedere l’ablazione chirurgica invasiva per interrompere i segnali elettrici problematici e riportare il battito cardiaco alla normalità. Il tasso di successo di questa procedura è solo del 50% poiché per il personale medico è difficile individuare il tessuto cardiaco destro.

Soluzione

Corify Care ha sviluppato un dispositivo chiamato Acorys® in grado di fornire una mappa quasi in tempo reale del cuore e della sua attività elettrica sulla base di misurazioni non invasive dei segnali provenienti dal torace e dalla schiena del paziente. Conoscendo la geometria del torace e da quale parte provengono quali segnali elettrici, è possibile lavorare a ritroso per ricostruire il cuore.

Il team di Corify ha utilizzato MATLAB per il Machine Learning e l’elaborazione dei segnali per filtrare il rumore, producendo dati più puliti che sono stati sottoposti a un’ulteriore elaborazione dei segnali al fine di ricostruire con precisione l’attività cardiaca.

Il team ha addestrato gli algoritmi di ricostruzione con dati provenienti sia da pazienti che da modelli matematici, consentendo ad Acorys di convertire i segnali elettrici di qualsiasi paziente in una mappa cardiaca.

Uomo con elettrodi sul torso accanto a un sistema che mostra una visualizzazione del suo cuore in 3D.

Prototipo iniziale che legge i segnali dal torace di una persona e li ricostruisce in una mappa del cuore. (Crediti dell’immagine: Corify Care)

Risultati

Il team sta lavorando per ottenere il marchio Conformité Européenne (CE) dall’EMA (European Medicines Agency) e l’approvazione della FDA (US Food and Drug Administration). Fornendo un’analisi dettagliata e non invasiva del cuore e della sua attività elettrica, Acorys ha il potenziale di prevenire procedure di ablazione non necessarie, facendo risparmiare tempo e denaro ai pazienti e al sistema sanitario.

Leggi l'articolo

Sfida

I pazienti affetti da cataratta soffrono di visione offuscata a causa dell’opacità che si forma all’interno del cristallino. Milioni di persone ricorrono a un intervento chirurgico in cui il cristallino naturale viene rimosso e sostituito con una lente intraoculare artificiale (IOL). È difficile per l’oftalmologo prevedere con precisione il potere del cristallino artificiale necessario per un risultato post-operatorio ottimale.

Soluzione

L’oftalmologo Warren Hill ha collaborato con il team di MathWorks per creare una nuova funzione a base radiale (RBF) per prevedere il potere ottico calcolato per la lente intraoculare.

  • L’RBF è stata sviluppata utilizzando MATLAB per addestrare un modello basato sull’IA con misurazioni dettagliate di occhi di migliaia di pazienti prima dell’intervento chirurgico utilizzando un biometro Lenstar.
  • I dati di addestramento includevano anche gli esiti post-operatori osservati.
  • Il team ha esportato il modello in Simulink, un ambiente grafico per la progettazione, la simulazione e il test di sistemi, per poi generare il codice dal modello e distribuirlo sul dispositivo Lenstar.
Screenshot di MATLAB che mostra le previsioni del modello di IA.

Calcolatore IOL a funzione a base radiale (RBF) sviluppato in MATLAB.

Il calcolatore è noto come calcolatore Hill-RBF. Contemporaneamente è stata rilasciata anche una versione online di questo calcolatore in modo che potessero accedervi gli oftalmologi di tutto il mondo.

Risultati

Il calcolatore, lanciato nel 2016, è stato rapidamente adottato dalla comunità di oftalmologi mondiale. Utilizzando versioni aggiornate e perfezionate del calcolatore che incorporano un set di dati molto più ampio, i chirurghi vedono ora risultati con una precisione del 90% ±0,50 D, rispetto al tasso di successo del 78% dei metodi tradizionali e più obsoleti comunemente utilizzati. In prospettiva, con circa 28 milioni di interventi chirurgici effettuati ogni anno in tutto il mondo, un miglioramento del 12% degli esiti si tradurrebbe in 3,4 milioni di successi aggiuntivi.

Leggi l'articolo

Riferimenti

[2] Makary, Martin A, and Michael Daniel. “Medical Error—the Third Leading Cause of Death in the US.” BMJ, May 3, 2016. https://doi.org/10.1136/bmj.i2139.

[3] Balogh, Erin, Bryan T. Miller, and John Ball. Improving Diagnosis in Health Care. Washington, DC: The National Academies Press, 2015.