0
reti neurali artificiali

Reti neurali artificiali per la valutazione del dolore

L’intelligenza artificiale (AI) è ormai entrata completamente a far parte della vita quotidiana di ognuno di noi. I progressi fatti nell’ambito delle macchine di apprendimento automatico sono notevoli e sempre di più sono le ricerche e gli studi portati avanti per affinare queste tecnologie, impensabili fino a pochi decenni fa.

Alla base delle più complesse forme di intelligenza artificiale troviamo i circuiti neurali artificiali, in grado di apprendere attraverso meccanismi sempre più simili a quelli dell’intelligenza umana. L’uso di queste reti è sempre più diffuso nella ricerca scientifica perché il loro utilizzo è ritenuto ormai fondamentale nella risoluzione di molti problemi neurali, avvicinandosi sempre di più all’efficienza del cervello umano.

Uno degli studi effettuati in campo scientifico riguarda il campo dell’ortopedia. Nello specifico, le reti neurali artificiali sono state utilizzate per cercare di percepire i parametri più significativi per valutare in modo oggettivo il dolore che prova un paziente nel periodo post-operatorio e quindi durante la riabilitazione.

Ma di che cosa stiamo parlando? Per capire il complesso funzionamento delle macchine di apprendimento e la loro applicazione nella ricerca scientifica bisogna partire dalle basi. In primo luogo, è importante capire che cosa si intende per dolore.

Secondo l’Associazione Internazionale per lo Studio del Dolore, il dolore è “un’esperienza sensoriale ed emozionale spiacevole, associata ad un danno potenziale o reale al tessuto o altrimenti descritto come tale”. Pertanto, il dolore è un sintomo che diviene una malattia a causa delle numerose implicazioni che ha sulla qualità di vita del paziente, coinvolgendo non solo la sfera fisica ma anche quella psichica e affettiva, portando a una perdita delle funzioni e alla disabilità. Inoltre, il dolore fa parte dei parametri vitali che indicano le funzionalità dell’organismo ma, al contrario degli altri, non è considerato una misurazione oggettiva ma piuttosto uno stato emozionale difficile da valutare.

Ad oggi, il metodo di valutazione del dolore più affidabile per misurarne l’intensità è rappresentato dalla percezione soggettiva del paziente, attraverso l’utilizzo di strumenti di autovalutazione. Tuttavia, si tratta di scale di misurazione altamente soggettive, diverse da persona a persona e che funzionano solo se il paziente si dimostra attento e cooperativo. Posto ciò, il riconoscimento del dolore è di grande interesse in tutte quelle situazioni in cui la sua severità non può essere espressa, come nel caso di incoscienza del paziente o quando è affetto da problemi cognitivi o verbali.

Nel 1996 l’Organizzazione Mondiale della Sanità ha proposto un metodo di gestione farmacologica del dolore che consiste in tre step basati sull’intensità (dolore tenue, dolore moderato, dolore acuto) al quale corrisponde poi la terapia analgesica più appropriata. Proprio perché risulta necessario trovare la cura più ottimale per trattare il dolore, è importante creare un approccio metodologico al problema del dolore post-operatorio per identificare gli algoritmi per una valutazione oggettiva che permetta di rivelare il dolore in soggetti differenti per prescrivere un trattamento tempestivo e appropriato.

Da qui la necessità di un utilizzo delle Reti Neurali Artificiali dette anche Artificial Neural Networks. Ma come funziona questa tecnologia nel rilevamento del dolore?

La prima fase consiste nel rilevamento di enormi quantitativi di dati clinici. Il vantaggio di utilizzare gli algoritmi dell’intelligenza artificiale per l’analisi dei dati clinici è che essi compensano la difficoltà che riscontrano gli umani nel considerare le troppe variabili che influenzano la decisione finale. Le macchine di apprendimento sono di grande supporto nel campo del data mining per il loro potenziale nel riconoscere i percorsi nascosti e per l’abilità nel classificare anche enormi quantità di dati.

Le artificial neural networks vengono poi utilizzate nella fase di selezione dei dati perché permettono di ridurre un numero di variabili non rilevanti. Per esempio, nello studio del trattamento del dolore post-operatorio nel campo ortopedico, alcuni dati sono stati esclusi per via della loro variabilità (l’età, dati sulla nutrizione, dati relativi ai farmaci assunti durante il ricovero in ospedale che avrebbero distorto le reti).

Una volta raccolti i dati, questi sono stati fondamentali nel fornire un’indicazione della valutazione del dolore sulla base di valutazioni oggettive. I metodi di IA (intelligenza artificiale) erano stati applicati alle variabili considerate per identificare tempestivamente la risposta utile alla gestione dei sintomi del dolore.

Nello studio in questione, le variabili inizialmente selezionate riguardavano: matrimonio, fumo, funzioni intestinali, numero di operazioni chirurgiche, solitudine, battito cardiaco, Mg di palexia/tapentadolo, grammi di paracetamolo, mg di celebex, mg di lyrica, diuresi, quantità di caffè, trasfusioni di sangue, sensorialità, comorbidità, diagnosi iniziale, fratture, valore di BMI, pressione del sangue massima e minima, temperatura corporea, valore MRS, gravità della patologia.

La prima versione delle reti neurali artificiali aveva indicato come meno rilevanti per ottenere il risultato finale le variabili sul matrimonio, il fumo, l’intestino, il numero di operazioni chirurgiche, la solitudine, i quantitativi di farmaci assunti, la diuresi, il caffè, le trasfusioni di sangue, la sensorialità e la comorbidità. Lasciando inalterati i pesi iniziali, l’output, il numero di neuroni nascosti e l’errore specifico, il numero dei neuroni iniziali veniva ridotto a 9 e le variabili rimaste vennero presentate alle reti artificiali neurali.

L’errore risultante in questo caso era lo 0.0087 e la previsione VAS (Visual Analog Scale) si rivelò precisa, deviando dai valori minimi (tra 0.4 e 1) solo nel 15% dei casi usati per il test. Un’analoga deviazione e un errore medio dello 0.0091 è stato ottenuto riducendo ulteriormente il numero dei neuroni input a 7, considerando le variabili input relativi alla diagnosi, frattura, BMI, bp max, bpm min, temperatura corporea, MRS. In questo caso il numero di neuroni nascosti è stato anche ridotto a 3.

In conclusione, i risultati dello studio condotto nel dipartimento di riabilitazione ortopedica dell’Istituto Gaetano Pini di Milano, anche se preliminari, sono promettenti. L’errore delle reti neurali artificiali usati per le previsioni del VAS era 0.0087, paragonati alle 9 variabili di input forniti alla rete, in relazione ai campioni considerati.

Le previsioni del VAS tramite le reti neurali sono risultate precise, paragonate alla VAS registrata nelle cartelle cliniche, presentando una variazione minima solo nel 15% dei casi usati per il test. Questa differenza è accettabile, considerando che la rete ha appreso dalle VAS incluse nei sottoinsiemi di formazione sulla base di valutazioni soggettive riportate dai pazienti, mediate dall’esperienza dei dottori.

Inoltre, risultati preliminari ottenuti sono promettenti anche in prospettiva, per l’identificazione di una valutazione del dolore basata su dati oggettivi.

1 Star2 Stars3 Stars4 Stars5 Stars (4 votes, average: 5,00 out of 5)
Loading...

Lascia un commento

Your email address will not be published.