In Italia la polmonite colpisce circa 2,5 bambini ogni 1000, numero probabilmente sottostimato perché si rifà ai ricoveri ospedalieri: ma quasi sempre alla diagnosi di polmonite segue un decorso positivo e il soggetto non viene ricoverato. Il picco massimo si ha nel primo anno di vita… dopo i numeri calano. Se si allarga lo sguardo al mondo, però, la polmonite pediatrica è ancora oggi la prima causa di morte sotto i 5 anni: nel 2017 ha pesato per il 15%, secondo l’OMS.
Tradizionalmente, la diagnosi di polmonite viene effettuata con una radiografia del torace, ma di recente alcuni studi hanno messo in evidenza una scarsa affidabilità inter-operatore nella lettura di queste radiografie.
Ne consegue che lo strumento radiografico non è più così tanto affidabile. Per ridurre l’impatto dei tecnici più inesperti, un gruppo di ricerca dell’American University of Sharjah, in Arabia Saudita, ha sviluppato un algoritmo di intelligenza artificiale in grado di individuare tracce di polmonite nelle radiografie.
Il gruppo di ricerca ha deciso di utilizzare una machine learning, perché più semplice rispetto al deep learning. Il primo passo è sottoporre le radiografie a un processo di augmentation.
Fatto ciò, ogni radiografia viene sottoposta a una serie di step che porta all’estrazione delle feature più adeguate allo scopo, secondo uno schema che ne prevede 64.
Successivamente, gli autori hanno sottoposto il modello così costruito a una fase di validazione, dimostrando che l’algoritmo ha una accuratezza del 97,58%, definita dagli autori superiore a quelle indicate in altri studi in letteratura.
La precisione è, invece, del 98.36% e la specificità del 98.34. Inoltre, il tempo impiegato per raggiungere una diagnosi è inferiore a quello che richiede l’uso di un metodo Tranfer Learning (TL).
Il modello proposto nello studio su Digital Health è inoltre più economico dal punto di vista computazionale e, quindi, più semplice. Il modello non è ancora pronto per l’uso in clinica, ma deve essere sottoposto a migliorie e ulteriori studi: la prima riguarda la riduzione dell’immagine radiografica alla sola zona del torace che contiene i polmoni e, quindi, una nuova definizione delle feature necessarie per ottenere la migliore diagnosi possibile.
Sarà così possibile capire se è necessario analizzare l’immagine radiografica completa o se sia meglio ritagliarla. Sebbene il modello sia stato pensato per la polmonite pediatrica, gli autori sottolineano che può essere applicato anche a vari ambiti, come per esempio l’individuazione di segni da Covid-19 sui polmoni. Allo stesso tempo, il metodo si può usare per ideare un’applicazione da utilizzare con gli adulti.
Per tornare alla polmonite pediatrica, una volta sviluppato lo strumento potrebbe offrire un sostegno ai medici non radiologi che nei Paesi a basso e medio reddito spesso si trovano a dover fare diagnosi di polmonite.
(Lo studio: Barakat N, Awad M, Abu-Nabah BA. A machine learning approach on chest X-rays for pediatric pneumonia detection. DIGITAL HEALTH. 2023;9. doi:10.1177/20552076231180008)
