MEDICINA e INTELLIGENZA ARTIFICIALE
Dai dati reali ai dati sintetici: pubblicato su European Spine Journal uno studio internazionale sulla validazione delle correlazioni spinopelviche.
La ricerca unisce la competenza clinica dell’IRCCS Galeazzi-Sant’Ambrogio di Milano al contributo computazionale sviluppato a Palermo.
Finalmente uno studio “in positivo”: l’IA non sostituisce la realtà, ma può aiutare a leggerla meglio quando viene progettata, controllata e validata con rigore.
Lo studio, realizzato da un gruppo di ricerca dell’IRCCS Ospedale Galeazzi-Sant’Ambrogio di Milano con il contributo metodologico e computazionale di Marco Giacalone e Davide Lamartina, è stato pubblicato su European Spine Journal ed è indicizzato su PubMed.
La ricerca ha riguardato l’uso di un metodo computazionale assistito dall’intelligenza artificiale per espandere e analizzare un piccolo campione clinico, mantenendo sempre il riferimento ai dati reali.
Partendo da 123 soggetti asintomatici reali, è stato costruito un dataset sintetico biologicamente plausibile di 10.000 casi, utilizzato per rendere più stabile l’analisi di alcune correlazioni anatomiche della colonna vertebrale.
La parte più importante non è stata generare dati sintetici, ma dimostrare che le correlazioni individuate nel campione ampliato restavano verificabili sui dati reali attraverso procedure statistiche indipendenti.
————————
La ricerca nasce dalla necessità di studiare l’allineamento spinopelvico nei soggetti asintomatici, un elemento essenziale per comprendere l’equilibrio sagittale fisiologico e definire valori di riferimento utili nella valutazione delle deformità spinali.
La disponibilità di dati su soggetti sani è però limitata da vincoli etici, logistici e legati all’esposizione radiologica: non è infatti semplice, né sempre opportuno, sottoporre persone sane a esami radiografici al solo scopo di ampliare un campione di ricerca. In questo contesto, la generazione controllata di dati sintetici può rappresentare una strategia utile per esplorare le relazioni anatomiche senza perdere il riferimento ai dati reali.
Partendo da 123 soggetti asintomatici reali, è stato generato un dataset sintetico di 10.000 configurazioni anatomiche biologicamente plausibili. Le correlazioni individuate nel campione ampliato sono state poi verificate sui 123 casi reali attraverso bootstrap statistico, una procedura che consente di valutare la robustezza dei risultati tornando ripetutamente ai dati originali.
Per lo studio sono state analizzate radiografie in posizione eretta dell’intera colonna vertebrale, registrando caratteristiche demografiche e molteplici parametri spinopelvici, tra cui incidenza pelvica (PI), inclinazione pelvica (PT), pendenza sacrale (SS), lordosi lombare (LL), cifosi toracica (TK) e misure di allineamento cervicale.
Sul piano metodologico è stato utilizzato un approccio di ricampionamento gaussiano probabilistico, guidato da vincoli anatomici e biologici. Le correlazioni identificate nel dataset sintetico sono state successivamente validate rispetto ai dati misurati sui soggetti reali. Il risultato è un approccio fattibile e riproducibile per studiare le relazioni spinopelviche in campioni clinici numericamente limitati.
Questa combinazione consente di individuare correlazioni biologicamente plausibili e può contribuire a ridurre la necessità di ulteriori studi di imaging su soggetti sani. La metodologia applicata può inoltre servire come strumento esplorativo nella ricerca sulla colonna vertebrale e in altri campi caratterizzati da dataset limitati.
Il flusso di lavoro bidirezionale ha consentito di verificare sui dati reali le correlazioni emerse nel dataset sintetico, riducendo il rischio che i risultati fossero dovuti al caso o alla limitata numerosità del campione.
In sintesi, lo studio non propone di sostituire i dati clinici con dati artificiali, ma dimostra come un metodo computazionale assistito dall’intelligenza artificiale possa essere utilizzato per generare ipotesi, verificarle sui dati reali e preservare la plausibilità biologica.
Gli autori di questa ricerca sono:
IRCCS Ospedale Galeazzi-Sant’Ambrogio, Milano
Domenico Compagnone, Riccardo Cecchinato, Pedro Berjano e Claudio Lamartina
Marco Giacalone, LUMSA Santa Silvia, Palermo
Davide Lamartina, Milano
European Spine Journal – PMID 42228165
https://rdcu.be/fl1SG (studio completo in PDF)
La pubblicazione su Springer:
Artificial intelligence–driven data expansion for the validation of spinopelvic parameter correlations in asymptomatic subjects | European Spine Journal
Chi è Marco Giacalone
Marco Giacalone ha conseguito la laurea in Economia e Commercio e la laurea in Ingegneria Gestionale. È fondatore di MarcoMedia, azienda di sviluppo software, ed è professore a contratto di Informatica presso la LUMSA Santa Silvia di Palermo.È membro del LICAIM, LUMSA International Research Center for Artificial Intelligence Management, e svolge attività di consulenza, formazione e ricerca applicata sui temi dell’intelligenza artificiale, dell’innovazione digitale e dell’analisi dei dati. Nel corso della sua attività ha collaborato con enti pubblici, ordini e associazioni professionali, in particolare in ambito medico, contabile, giornalistico, biologico e veterinario. È anche giornalista freelance. I suoi interessi di ricerca includono l’intelligenza artificiale, l’analisi delle reti e la resilienza delle infrastrutture critiche.
Immagine che contiene testo, presentazione, media, Visualizzatore
Il contenuto generato dall’IA potrebbe non essere corretto.
Immagine che contiene sorriso, Viso umano, persona, Fronte
Il contenuto generato dall’IA potrebbe non essere corretto.
—
