Dr. Marco V. Benavides Sánchez. Medmultilingua.com /

L’embolia polmonare acuta rimane una delle emergenze cardiovascolari più temute. Sebbene molti pazienti si stabilizzino con un trattamento tempestivo, un sottogruppo presenta disfunzione ventricolare destra (DVD), una condizione associata a una maggiore mortalità a breve termine. Identificare rapidamente questi pazienti è fondamentale. Il problema è che i modelli predittivi più sofisticati sono spesso opachi, il che ne limita l’accettazione clinica.

Uno studio pubblicato su Artificial Intelligence in Medicine nel 2025 propone una soluzione diversa: un’intelligenza artificiale che non solo predice, ma spiega anche chiaramente come giunge alle sue conclusioni.

Regole semplici, decisioni chiare

Il team internazionale guidato da Mehmet Tahir Huyut ha sviluppato un sistema di supporto alle decisioni cliniche basato sulla Ricerca tramite regole binarie (BRS). A differenza delle reti neurali profonde, questo approccio utilizza semplici regole logiche, costruite a partire da variabili cliniche convertite in valori binari (sì/no).

Ad esempio, una regola potrebbe combinare elementi come:

• trombo nell’arteria polmonare principale,
• trombosi bilaterale,
• presenza di cancro,
• età avanzata.

Se vengono soddisfatte determinate combinazioni, il sistema identifica un rischio maggiore di disfunzione ventricolare destra. Il vantaggio principale è che il medico può vedere esattamente quali variabili hanno portato alla previsione.

Quanto funziona bene?

Il modello è stato addestrato e validato su una coorte di 363 pazienti con embolia polmonare acuta, separando i dati in un gruppo di sviluppo e un gruppo di validazione esterna. I ricercatori hanno valutato migliaia di possibili combinazioni di regole, misurandone le prestazioni con un indicatore particolarmente robusto in medicina: il coefficiente di correlazione di Matthews (MCC).

I risultati hanno mostrato che:

• Le regole con 3-5 variabili hanno raggiunto il miglior equilibrio tra semplicità e prestazioni.
• Alcune combinazioni hanno raggiunto una sensibilità prossima all’80%, con una specificità moderata.
• Le regole più stabili si basavano principalmente sulle caratteristiche del trombo, accompagnate da comorbilità come insufficienza cardiaca e ipertensione.

Un aspetto chiave è stata la valutazione della robustezza. Questa non riguardava solo l’efficacia media del modello, ma anche la sua affidabilità nello scenario peggiore. A questo proposito, il sistema BRS ha mostrato una stabilità superiore rispetto ad altri modelli, come le reti neurali leggere.

Perché questo è importante nella pratica clinica?

In molti ospedali, soprattutto in contesti con risorse limitate, l’ecocardiografia immediata o i biomarcatori avanzati non sono sempre disponibili. Un sistema basato su regole cliniche chiare, che funzioni offline e spieghi le sue decisioni può essere uno strumento prezioso per:

• supportare la stratificazione precoce del rischio,
• dare priorità a studi successivi,
• rafforzare il processo decisionale clinico senza sostituire il giudizio medico.

Questo lavoro dimostra che l’intelligenza artificiale non deve essere necessariamente una “scatola nera”. Al contrario, può essere adattata al ragionamento clinico tradizionale e rafforzata con prove quantitative trasparenti.

Un passo verso un’intelligenza artificiale affidabile in medicina

Gli autori concludono che questi modelli spiegabili offrono prestazioni clinicamente accettabili, con regole semplici e risultati conservativi, il che li rende particolarmente interessanti per i sistemi di supporto alle decisioni orientati al medico. Tuttavia, sottolineano la necessità di validazioni prospettiche e multicentriche prima di un’adozione diffusa.

In un momento in cui la medicina sta discutendo su come integrare l’intelligenza artificiale senza perdere il controllo clinico, questo studio trasmette un messaggio chiaro: comprendere la decisione è importante quanto prendere quella giusta.

---

Riferimento

Huyut, M. T., Velichko, A., Belyaev, M., Izotov, Y., Tosun, M., Sertoğullarından, B., Karaoğlanoğlu, Ş., Demir, A. Y., & Korzun, D. (2025). *Clinical decision support system for detecting right ventricular dysfunction in acute pulmonary embolism: Explainable new Binary Rule Search (BRS) ensembles and robustness evaluation*. Artificial Intelligence in Medicine, 103337. [https://doi.org/10.1016/j.artmed.2025.103337]

#ArtificialIntelligence #Medicine #Surgery #Medmultilingua