Unseen Insights: An AI-Powered Exploration of Secure Patient Messages in Ophthalmology

Descrizione del Problema
La rapida espansione della messaggistica sicura tra paziente e medico all'interno delle cartelle cliniche elettroniche (EHR) ha trasformato la comunicazione oftalmica, passando da consigli telefonici non documentati a una cura asincrona e tracciabile. Tuttavia, esiste una scarsità di letteratura che analizzi sistematicamente il contenuto di queste richieste dei pazienti o che comprenda come il volume e gli argomenti dei messaggi varino tra i diversi gruppi sociodemografici. Sebbene l'uso dei portali per i pazienti sia noto per variare in base all'età, allo stato socioeconomico e alla razza, rimane poco chiaro se gli strumenti di sanità digitale possano involontariamente ampliare i divari assistenziali in oftalmologia, un campo in cui determinate popolazioni affrontano carichi di malattia sproporzionati. Inoltre, i clinici devono affrontare volumi crescenti di messaggi in arrivo, il che può portare alla fatica da allerta (alert fatigue), rendendo necessaria una migliore comprensione dei modelli di messaggistica per migliorare il triage e l'efficienza del flusso di lavoro.

Metodologia
Questo studio trasversale ha analizzato messaggi sicuri avviati dai pazienti, de-identificati, provenienti da un grande ospedale accademico di terzo livello (Stanford Health Care) su un periodo di 10 anni (giugno 2014 – luglio 2024).

• Fonte dei Dati: Lo studio ha utilizzato i codici International Classification of Diseases (ICD)-10 per identificare i pazienti con condizioni oftalmiche. Da un pool iniziale di 48.516 thread di messaggi, sono stati inclusi 30.390 messaggi di richiesta di consulenza medica al paziente (PMAR) provenienti da 4.817 pazienti unici, dopo aver escluso questionari, messaggi di cortesia e risposte dei clinici.
• Elaborazione del Linguaggio Naturale (NLP) e Modellazione dei Temi: I ricercatori hanno impiegato una pipeline NLP basata su BERT. I messaggi grezzi sono stati pre-elaborati per rimuovere duplicati, caratteri speciali e contenuti di basso valore (ad es. messaggi inferiori a 50 caratteri). Un modello BERT distillato pre-addestrato (all-miniLM-L6-v2) ha convertito i messaggi in embedding a livello di frase. Questi sono stati ridotti in dimensionalità utilizzando la Uniform Manifold Approximation and Projection (UMAP) e raggruppati tramite clustering zero-shot con una soglia di somiglianza tematica di 0,82.
• Interpretazione: Due investigatori hanno revisionato manualmente le 15 parole chiave principali per ogni cluster per raggruppare temi simili. Un Large Language Model (OpenAI o4-mini) è stato poi utilizzato in un ambiente conforme a HIPAA per elaborare le problematiche dei pazienti, impiegando tecniche di prompt-engineering come il role prompting e l'emulazione dell'esperienza per interpretare i temi.
• Analisi Statistica: Le differenze nella frequenza dei messaggi tra i sottogruppi demografici (età, sesso, razza, etnia e stato civile) sono state valutate tramite test z a due proporzioni. È stato generato un diagramma di Sankey per visualizzare le relazioni tra le categorie dettagliate di età e razza e i problemi specifici dei pazienti.

Risultati Chiave

• Composizione dei Messaggi: Le questioni amministrative hanno rappresentato quasi la metà (45%) di tutti i messaggi, con la pianificazione degli appuntamenti (29,2%), le richieste di farmaci/ricette (9,5%) e la documentazione assicurativa (4,1%) tra le più comuni. Tra le preoccupazioni cliniche, i disturbi della vista sono stati i più frequenti (20,8%), seguiti da sintomi legati al glaucoma (8,7%), domande su imaging/tumori (7,5%) e preoccupazioni postoperatorie (7,4%).
• Disparità Demografiche:
  • Razza: I pazienti non bianchi hanno sollevato con maggiore frequenza questioni riguardanti ricette farmaceutiche, assicurazioni, glaucoma e documentazione di invalidità rispetto ai pazienti bianchi. Al contrario, i pazienti bianchi sono stati più propensi a porre domande su questioni chirurgiche.
  • Età: I pazienti di età pari o superiore a 50 anni hanno contribuito proporzionalmente di più con messaggi clinici rispetto ai pazienti più giovani, specificamente riguardo a glaucoma, imaging di tumori, chirurgia e problemi corneali.
  • Sesso: Le pazienti donne hanno riportato complicazioni e gonfiore/infezione più frequentemente rispetto agli uomini.
  • Stato Civile: Gli individui non sposati hanno cercato consulenza su vista, glaucoma e invalidità più frequentemente, mentre i coniugi hanno riportato più spesso gonfiore/infezione e problemi corneali.
• Demografia della Coorte: La popolazione dello studio era composta per il 55,5% da donne, il 56,9% con età pari o superiore a 50 anni, il 48,7% di bianchi e l'85,7% di non ispanici.

Significatività e Rivendicazioni
Il documento sostiene di fornire la prima analisi su larga scala, assistita dall'IA, dei messaggi sicuri in oftalmologia, rivelando temi frequenti rilevanti per il triage e distinte differenze nel comportamento di ricerca di cure tra i demografici. Gli autori affermano che l'analisi sistematica del contenuto dei messaggi può supportare un triage più sicuro, una migliore efficienza del flusso di lavoro e una fornitura di cure oftalmiche più equa.

Nello specifico, lo studio suggerisce che:

1. Potenziale di Triage tramite IA: L'identificazione dei temi comuni consente lo sviluppo di strumenti di IA per distinguere le domande di routine dai sintomi "segnali di allarme" (ad es. perdita improvvisa della vista) che richiedono una risposta il giorno stesso, riducendo così il carico del clinico.
2. Approfondimenti sull'Equità: Le disparità osservate — dove i pazienti non bianchi si concentrano maggiormente su barriere amministrative e gestione di malattie croniche (assicurazioni, ricette) mentre i pazienti bianchi si concentrano su questioni chirurgiche — evidenziano opportunità per interventi mirati ad affrontare le barriere di navigazione sanitaria.
3. Ottimizzazione del Flusso di Lavoro: L'alto volume di query a bassa complessità (pianificazione, ricette) supporta l'integrazione di flussi di lavoro automatizzati per compiti di routine, permettendo ai clinici di concentrarsi su questioni cliniche urgenti.

Limitazioni
Gli autori osservano che lo studio è limitato a un singolo sistema sanitario, il che può influenzarne la generalizzabilità. Inoltre, non è stato possibile collegare il contenuto dei messaggi agli esiti clinici (ad es. se un messaggio ha portato a un appuntamento o a una visita al pronto soccorso), il che significa che l'urgenza effettiva di ogni singolo thread non è stata verificata indipendentemente. Gli autori sottolineano che, sebbene i risultati suggeriscano la fattibilità del triage tramite IA, tali sistemi richiedono un'ulteriore validazione per quanto riguarda l'accuratezza, la sicurezza e la mitigazione dei pregiudizi prima della loro implementazione su larga scala.