AI al letto del paziente: cuore, linguaggio immaginato e calibrazione della tomografia

Lo scompenso cardiaco mette alla prova i sistemi di assistenza. I pazienti sono anziani, hanno patologie concomitanti e finiscono spesso in ospedale. Il monitoraggio a distanza promette di intercettare prima il peggioramento. I dati del telemonitoraggio, però, sono radi, campionati in modo irregolare e dominati dai casi senza evento.

Rilevare il peggioramento dai dati del telemonitoraggio

Il modello TRACER, un transformer con rappresentazione contrastiva degli eventi, è nato proprio per questi dati. Combina embedding dei biomarcatori che tengono conto del tempo, pre-training contrastivo che rafforza il rilevamento delle anomalie e classificatori binari indipendenti per ogni singolo evento da rilevare. Gli autori hanno lavorato su sequenze di misure remote di 276 pazienti con scompenso cardiaco. Le sequenze sono divise in finestre sovrapposte secondo regole temporali e etichettate in base al ricovero alla fine della finestra. Il modello ha previsto correttamente il 66,7 per cento dei percorsi che portano al ricovero per scompenso cardiaco, con una sovrastima del 7,9 per cento, in un insieme reale fortemente sbilanciato. Riformulare l'addestramento come compito di rilevamento degli eventi ha migliorato i risultati rispetto all'apprendimento diretto sulle finestre prognostiche, sfruttando meglio i pochi eventi disponibili. Gli autori sottolineano che l'obiettivo è generare avvisi che permettano un intervento precoce, non sostituire la decisione clinica.

Linguaggio immaginato e valutazione onesta

La decodifica del linguaggio immaginato dall'elettroencefalografia è studiata come possibile via di comunicazione per le persone con gravi disturbi motori. Il problema è che i risultati riportati si basano spesso su protocolli di valutazione che non riflettono la generalizzazione a persone nuove. Il gruppo danese di Frederik Møllskov Trier ha condotto uno studio di riferimento trasparente su un insieme EEG multiclasse di linguaggio immaginato, con uno schema di valutazione strettamente indipendente dalla persona.

Sono state confrontate due pipeline di elaborazione ed estrazione delle caratteristiche: caratteristiche statistiche nel dominio del tempo e potenza nelle bande dello spettro. La seconda via ha ottenuto una precisione media sulla singola prova nettamente più alta, 49,03 più o meno 4,18 per cento contro 37,97 più o meno 3,79 per cento, nella classificazione grossolana tra persone. La selezione in avanti delle caratteristiche ha indicato che la maggior parte dell'informazione discriminante arriva da un sottoinsieme limitato di bande. Gli autori la considerano una base solida per ulteriori lavori sulle interfacce cervello-computer, non un prodotto pronto.

Calibrare quando il modello è una scatola nera

Il terzo lavoro riguarda la sicurezza dei sistemi radiologici. Perché le decisioni su triage, esami successivi o pianificazione del trattamento siano sicure, le probabilità restituite dal modello devono essere calibrate, cioè riflettere il rischio reale. Le tecniche tipiche per migliorare la calibrazione, come il dropout Monte Carlo o i deep ensemble, richiedono accesso ai parametri del modello o un nuovo addestramento. I sistemi clinici commerciali, invece, sono scatole nere.

Il framework proposto è indipendente dal modello: usa un ampliamento clinicamente giustificato dell'insieme di test, applicando perturbazioni geometriche e ispirate alla fisica alla tomografia computerizzata tridimensionale, e apprende una strategia di aggregazione delle probabilità senza accesso all'interno del modello né ai dati di addestramento. Nei compiti di rilevamento dell'embolia polmonare e dell'emorragia intracerebrale la variante DualTTA ha raggiunto la migliore calibrazione tra i metodi di ampliamento dell'insieme di test. Ha ridotto l'errore di calibrazione atteso del 54 per cento (da 0,239 a 0,109) e del 43 per cento (da 0,051 a 0,029). Nella maggior parte delle metriche ha superato tecniche che richiedono accesso all'interno del modello, come lo scaling della temperatura, il dropout Monte Carlo e i deep ensemble.

I tre lavori insieme segnano un confine pratico: il punto in cui il modello lavora su dati reali, radi e irregolari, e il punto in cui il valore aggiunto non viene da un modello nuovo, ma da una valutazione onesta e dalla calibrazione.