PATHFinder Agent for Tailored Prenatal Care

Sintesi Tecnica: Agente PATHFinder per l'Assistenza Prenatale Personalizzata

Problematica
L'assistenza prenatale è un servizio preventivo critico, eppure il modello tradizionale di 12–14 visite in presenza spesso non riesce ad affrontare i determinanti sociali della salute (ad esempio, instabilità abitativa, lavoro poco flessibile) che impediscono l'accesso alle cure. Inoltre, l'American College of Obstetricians and Gynecologists (ACOG) ha introdotto nuove linee guida, il Piano per l'Assistenza Adeguata e Personalizzata (PATH), che promuove piani di cura flessibili e specifici per il paziente. Tuttavia, l'implementazione del PATH è complessa sia per i clinici che per i pazienti; i clinici affrontano il burnout nel dover affrontare bisogni sociali non soddisfatti con risorse insufficienti, mentre i pazienti con barriere sociali possono trovare le visite aggiuntive un onere piuttosto che un aiuto. Esiste la necessità di un sistema che possa operazionalizzare queste linee guida personalizzate, integrare l'abbinamento alle risorse sociali e mantenere la supervisione clinica senza sovraccaricare i fornitori di cure.

Metodologia e Design del Sistema
Gli autori propongono PATHFinder Agent, un sistema agente conversazionale end-to-end progettato per raccogliere il contesto del paziente, sintetizzare piani di cura individualizzati e presentare risorse comunitarie. Il sistema è co-progettato da ostetrici certificati, ostetriche e scienziati dell'informatica per garantirne la validità clinica e la fattibilità tecnica.

• Architettura: Il sistema utilizza un frontend React che comunica con un backend FastAPI. Il nucleo dell'agente consiste in un Large Language Model (LLM) accoppiato con un esecutore di strumenti (tool executor), un classificatore di supervisione, un servizio FHIR e un generatore di report. Lo stato della conversazione è persistito in un database relazionale.
• Suite di Strumenti: L'agente è dotato di 13 strumenti suddivisi in quattro categorie:
  • Medici: Include un calcolatore TOLAC (Trial of Labor After Cesarean) e un'azione di "Deferire al Clinico".
  • Bisogni Sociali: Un'interfaccia gerarchica per interrogare le risorse di Michigan 211 (cibo, alloggio, trasporti, ecc.) per sottocategoria e codice postale (ZIP code).
  • Personalizzazione: Consulta un secondo LLM per generare domande di follow-up sensibili al contesto.
  • Reporting: Costruisce incrementalmente riassunti del paziente, riassunti clinici, programmi di visita ed elenchi di risorse.
• Workflow in Quattro Fasi:
  1. Intake (Accoglienza): I pazienti completano un modulo standardizzato che cattura dati demografici, anamnesi medica, età gestazionale e fattori sociali.
  2. Interazione Dinamica: L'agente intraprende un dialogo strutturato e aperto. Utilizza un'interfaccia "Form+Chat" in cui un secondo LLM genera elementi UI intermedi (pulsanti, caselle di controllo) per ridurre la fatica da inserimento testuale, elicitando al contempo bisogni sociali non soddisfatti e preferenze.
  3. Sintesi del Piano: L'agente genera un rapporto bozza contenente un riassunto per il paziente, un riassunto clinico, raccomandazioni sul programma delle visite e risorse curate di Michigan 211.
  4. Supervisione Clinica: Un clinico rivede la bozza, valida il piano e può approvare o modificare il contenuto prima della finalizzazione.

Valutazione e Risultati
Gli autori hanno valutato i modelli LLM di frontiera (GPT-5.2, GPT-4o, Gemini 2.5 Pro, Gemini 2.5 Flash) utilizzando profili di pazienti sintetici e rubriche curate da esperti. La valutazione si è concentrata su cinque dimensioni cliniche:

1. Frequenza delle visite
2. Servizi (test, raccomandazioni)
3. Tempistica per i test antenatali
4. Tempistica per l'ecografia della crescita
5. Modalità di cura (in presenza vs. telemedicina)

Risultati Chiave:

• Performance: GPT-5.2 ha ottenuto il punteggio medio più alto nella rubrica con il 77,6%, seguito da Gemini 2.5 Pro (71,5%), Gemini 2.5 Flash (62,0%) e GPT-4o (57,25%).
• Varianza Dimensionale: La "frequenza delle visite" è stata la dimensione più facile da prevedere correttamente per tutti i modelli. Al contrario, i "test antenatali" e le "raccomandazioni sui servizi" sono stati i più difficili, mostrando i più ampi divari di performance tra i modelli.
• Implicazioni: I risultati indicano che, sebbene gli attuali modelli siano promettenti, misure di supervisione robuste (sia basate su LLM che guidate dall'uomo) sono essenziali per prevenire errori nelle raccomandazioni cliniche critiche.

Contributi Chiave

1. PATHFinder Agent: Un nuovo sistema agente che operazionalizza le linee guida PATH dell'ACOG, colmando il divario tra linee guida mediche e integrazione delle risorse sociali.
2. Design dell'Interfaccia Ibrida: Un modello di interazione "Form+Chat" che bilancia l'acquisizione di dati strutturati con follow-up conversazionali adattivi, progettato per mitigare la fatica del paziente.
3. Workflow con Clinico nel Loop (Clinician-in-the-Loop): Un processo strutturato in quattro fasi che assicura che tutti i piani di cura generati siano sottoposti a validazione umana, affrontando le preoccupazioni di sicurezza e implementazione sollevate dalla recente letteratura sull'IA medica.
4. Benchmarking Empirico: Una valutazione comparativa di LLM allo stato dell'arte su specifiche dimensioni della cura prenatale, evidenziando capacità e limitazioni attuali nella ragionamento medico complesso.

Significato e Rivendicazioni
Il documento posiziona l'Agente PATHFinder come un potenziale abilitatore per l'ampia diffusione delle linee guida per l'assistenza prenatale personalizzata. Gli autori affermano che il sistema può supportare la transizione da un modello rigido e denso di visite a un approccio flessibile e centrato sul paziente che affronti sia i determinanti medici che quelli sociali della salute.

Gli autori mantengono una posizione modesta riguardo alla distribuzione. Dichiarano esplicitamente che il sistema è progettato per supportare, non sostituire, i clinici. Il documento sottolinea che il lavoro futuro deve includere garanzie di accuratezza formali, studi con partecipanti umani e studi controllati randomizzati prima che il sistema possa essere considerato per l'impiego clinico nel mondo reale. Il contributo attuale è inquadrato come un prototipo tecnico e un framework di valutazione che identifica le lacune chiave (particolarmente nelle raccomandazioni dei test antenatali) che devono essere affrontate per garantire sicurezza ed efficacia.