IEEE Journal of Biomedical and Health Informatics
Introduzione: Allo scopo di migliorare il trattamento delle persone con diabete, negli ultimi tempi sono state impiegate soluzioni di salute digitale che hanno generato un enorme disponibilità di dati che a loro volta possono contribuire a migliorare il trattamento di questa patologia cronica. Sfruttando questa grossa disponibilità di dati, sono stati implementati sistemi di intelligenza artificiale denominati “machines learning”. Una “machine learning” è un sistema informatico in grado di acquisire conoscenze autonomamente dall’esperienza o da dati esistenti senza essere specificamente istruita. In particolare, in ambito diabetologico si sta diffondendo, con risultati molto promettenti, un nuovo tipo di machine learning il “deep learning”. Il deep learning sfrutta dati grezzi e “reti neurali profonde” senza la necessità di pre-processamento ingegneristico.
Obiettivo: Analizzare in maniera esaustiva la letteratura disponibile in merito alle possibili applicazioni del “deep learning” nell’ambito del diabete.
Metodi: Abbiamo condotto un’analisi sistematica della letteratura e abbiamo identificato tre aree principali che, nell’ambito della gestione del diabete, utilizzano l’approccio del deep learning: diagnosi del diabete, gestione del controllo glicemico e diagnosi delle complicanze del diabete.
Risultati: I risultati della ricerca hanno fornito 40 articoli originali, per i quali abbiamo riassunto le informazioni chiave relative ai modelli di intelligenza artificiale utilizzati, i processi di sviluppo di questi modelli, gli “outcomes” principali ed i metodi per la valutazione delle performances.
Dai dati della letteratura è emerso che varie tecniche e modelli di deep-learning hanno raggiunto livelli di applicazione e funzionamento all’avanguardia superando molti approcci di machine-learning utilizzati sinora. Allo stesso tempo, la nostra ricerca ha messo in evidenza alcuni limiti della letteratura corrente, quale la mancanza della disponibilità dei dati e dell’interpretabilità dei modelli.
Conclusioni: Il rapido sviluppo del “deep learning” e l’aumentata disponibilità di dati rende realistica la diffusione dell’utilizzo di questa tecnologia in ambito clinico nel prossimo futuro.
Commento: Questa revisione della letteratura offre una panoramica esaustiva della letteratura disponibile sull’argomento e apre un’affascinante prospettiva su come i cambiamenti, cui già stiamo assistendo in tema di assistenza diabetologica, porteranno ad una completa rivoluzione nel tipo di approccio che il diabetologo dovrà attuare per prendersi cura dei propri pazienti. È probabile che altre figure professionali entreranno a pieno titolo nel team diabetologico (ingegnere biomedico, bioinformatici, ecc.) e che altre assumeranno un ruolo più centrale di quello che attualmente svolgono (psicologo?). Ci auguriamo, infatti, che per quanto intelligenti siano questi algoritmi non riusciranno mai a sostituire la componente empatica propria dei rapporti umani.
A cura di Lutgarda Bozzetto
Zhu T, Li K, Herrero P, Georgiou P. Deep Learning for Diabetes: A Systematic Review. IEEE J Biomed Health Inform. 2020 Nov 24;PP. doi: 10.1109/JBHI.2020.3040225