Rilevamento precoce del rischio di ictus tramite IA e sintomi auto-riferiti

Un nuovo studio presenta un sistema di sorveglianza passiva basato sull'intelligenza artificiale, progettato per il rilevamento precoce del rischio di ictus in individui ad alto rischio, come i pazienti diabetici. Il sistema analizza i sintomi riportati dai pazienti stessi, colmando una lacuna critica nella tempestività delle cure.

Architettura del sistema

Il sistema si basa su una tassonomia dei sintomi derivata dal linguaggio dei pazienti e su una pipeline di machine learning che combina un grafo eterogeneo e modelli EN/LASSO. Questo approccio permette di identificare pattern di sintomi associati a un successivo ictus. I risultati sono stati tradotti in un sistema di screening ibrido che integra la rilevanza dei sintomi e la prossimità temporale.

Performance e valutazione

Il sistema è stato valutato tramite simulazioni basate su cartelle cliniche elettroniche (EHR) su finestre temporali di 3-90 giorni. Adottando soglie conservative per minimizzare i falsi allarmi, il sistema ha raggiunto un'alta specificità (1.00) e un valore predittivo positivo aggiustato per la prevalenza pari a 1.00, con una buona sensibilità (0.72), un compromesso intenzionale per privilegiare la precisione. La sensibilità è risultata massima nella finestra di 90 giorni.

Implicazioni

La capacità di rilevare il rischio di ictus con elevata precisione e basso impatto, basandosi esclusivamente sul linguaggio dei pazienti, offre una preziosa finestra temporale per la valutazione clinica e l'intervento in individui ad alto rischio. Per chi valuta deployment on-premise, esistono trade-off da considerare. AI-RADAR offre framework analitici su /llm-onpremise per valutare questi trade-off.