A Bibliometric Review of Explainable AI in Diabetes Risk Prediction: Trends, Gaps, and Knowledge Graph Opportunities

Questo studio bibliometrico evidenzia il divario tra i modelli di predizione del rischio di diabete basati su ML e XAI e l'uso di Knowledge Graph, proponendo un nuovo quadro concettuale a tre livelli che integra le conoscenze mediche strutturate per colmare tale lacuna e migliorare l'interpretabilità clinica.

L'essenziale

Immagina di dover prevedere se una persona rischia di ammalarsi di diabete di tipo 2. Oggi, i computer sono bravissimi a fare queste previsioni usando l'Intelligenza Artificiale (IA). È come avere un metereologo super-avanzato che guarda i dati (peso, età, pressione, stile di vita) e ti dice: "C'è un 80% di probabilità che domani piova... o che tu sviluppi il diabete".

Tuttavia, c'è un grosso problema: l'IA è una "scatola nera".
Ti dà la previsione, ma non ti spiega perché. È come se il metereologo ti dicesse "pioverà", ma non ti dicesse se è per colpa delle nuvole, del vento o della pressione atmosferica. Per i medici, questo è inutile: non possono curare o consigliare un paziente se non capiscono la causa.

Cosa ha fatto questo studio?

L'autore, Thieu Anh Van, ha fatto un'immensa "ricerca bibliografica". Ha raccolto e analizzato 2.048 articoli scientifici pubblicati tra il 2015 e il 2025 su questo argomento. È come se avesse letto tutti i libri di una grande biblioteca per capire come stiamo usando l'IA per il diabete.

Ecco i tre punti chiave scoperti, spiegati con delle metafore:

1. L'esplosione della "Cassetta degli Attrezzi" (Crescita e Metodi)

Negli ultimi anni, il campo è esploso. Nel 2020 c'erano solo 36 studi, nel 2025 ce ne sono stati 866!
Gli scienziati hanno trovato due "super-attrezzi" per aprire la scatola nera e vedere come funziona l'IA:

• SHAP e LIME: Immagina questi come dei laser che illuminano i singoli ingranaggi della macchina. Ti dicono: "Il peso è stato il 30% della colpa, la pressione il 20%".
• XGBoost e Random Forest: Sono i motori più potenti che usano per fare le previsioni.

Il risultato: Tutti usano questi motori e questi laser. Funzionano bene per dire cosa conta, ma...

2. Il Grande "Buco Nero" (Il problema della conoscenza)

Qui arriva la scoperta più importante. Gli scienziati hanno notato che manca un pezzo fondamentale del puzzle: la Conoscenza Medica Strutturata (chiamata Knowledge Graph o KG).

Facciamo un'analogia:

• L'IA attuale (SHAP/LIME) è come un detective che ti dice: "Il colpevole è il Sig. Grasso (BMI)".
• La Conoscenza Medica (Knowledge Graph) è come un libro di anatomia che ti spiega la storia: "Il Sig. Grasso ha bloccato le strade, causando un ingorgo (resistenza all'insulina), che ha portato al caos nel traffico (diabete)".

Lo studio ha scoperto che mentre quasi tutti gli articoli parlano del "detective" (SHAP/LIME), pochissimi (meno dell'1%!) usano il "libro di anatomia" (Knowledge Graph).
È come se avessimo migliaia di persone che sanno chi ha fatto il crimine, ma nessuno che sa come e perché è successo, collegando i fatti alla logica medica reale.

3. La Soluzione Proposta: Il "Ponte" in Tre Livelli

Per risolvere questo problema, l'autore propone un nuovo modo di costruire queste macchine, come un edificio di tre piani:

• Piano 1 (La Previsione): L'IA guarda i dati e dice "Attenzione, rischio alto!".
• Piano 2 (La Spiegazione Statistica): SHAP/LIME dicono "È colpa del peso e della pressione".
• Piano 3 (Il Ponte della Conoscenza - Il nuovo piano): Qui entra in gioco il Knowledge Graph. Prende i dati del Piano 2 e li collega a una mappa medica reale. Invece di dire solo "Peso alto", dice: "Il peso alto sta creando resistenza all'insulina, che a sua volta sta alzando lo zucchero nel sangue, portando al diabete".

Perché è importante?
Immagina di dover spiegare a un paziente o a un medico perché è a rischio.

• Senza il Piano 3: "Il computer dice che sei a rischio perché il tuo peso è alto." (Vago, poco utile).
• Con il Piano 3: "Il computer vede che il tuo peso sta bloccando la tua capacità di gestire lo zucchero, proprio come un ingorgo blocca il traffico. Ecco perché devi muoverti di più." (Chiaro, logico, utile per la cura).

In sintesi

Questo studio ci dice che siamo bravissimi a far fare previsioni ai computer e a spiegare quali numeri contano, ma siamo ancora molto indietro nel collegare queste previsioni alla logica medica reale.

L'autore ci invita a smettere di guardare solo i numeri e a iniziare a costruire ponti tra l'Intelligenza Artificiale e la conoscenza medica strutturata, per creare sistemi che non solo "indovinano" il futuro, ma ci aiutano a capirlo e a prevenirlo in modo intelligente.

Sommario tecnico

Titolo

Una Revisione Bibliometrica dell'IA Spiegabile (XAI) nella Predizione del Rischio di Diabete: Tendenze, Lacune e Opportunità dei Grafi di Conoscenza

1. Il Problema di Ricerca

Il diabete di tipo 2 (T2DM) rappresenta una sfida globale per la salute pubblica, con un impatto economico e sanitario crescente. Sebbene l'uso del Machine Learning (ML) per la predizione del rischio di T2DM sia in rapida espansione, la maggior parte dei modelli complessi (come XGBoost, Random Forest e reti neurali) opera come "scatole nere", fornendo previsioni senza spiegazioni trasparenti.
L'Intelligenza Artificiale Spiegabile (XAI), tramite metodi come SHAP e LIME, è stata introdotta per colmare questo divario, fornendo spiegazioni a livello di feature. Tuttavia, il campo presenta una lacuna critica: le spiegazioni statistiche attuali (es. "l'IMC contribuisce per 0,32 punti") non si allineano con il ragionamento clinico basato su percorsi fisiopatologici strutturati. Attualmente, manca un'integrazione sistematica tra:

1. Modelli predittivi ML.
2. Metodi di spiegazione XAI.
3. Strati semantici basati su Grafi di Conoscenza (KG) che codifichino la conoscenza medica clinica.

2. Metodologia

Lo studio adotta un approccio ibrido, combinando un'analisi bibliometrica quantitativa su larga scala con una revisione selettiva qualitativa.

• Corpus dei Dati: Analisi di 2.048 documenti deduplicati provenienti da due database indipendenti: Scopus e PubMed/MEDLINE.
  • Strategia di ricerca: Query combinate per dominio (diabete/T2DM) e metodo (XAI/ML spiegabile), con esclusione di sottocampi non pertinenti come la retinopatia diabetica (analisi di immagini) e le ferite del piede diabetico.
  • Validazione: La sovrapposizione del 33,2% tra i record dei due database conferma la robustezza del corpus.
• Processo di Analisi:
  • Pulizia e Normalizzazione: Unificazione dei sinonimi (es. "explainability" = "XAI") e gestione delle varianti di nomi di paesi.
  • Analisi Quantitativa: Utilizzo di Python (pandas, matplotlib) per analizzare tendenze temporali, distribuzione geografica, fonti di pubblicazione e frequenza delle parole chiave.
  • Clustering Tematico: Classificazione basata su regole (non automatica) delle parole chiave in 5 cluster: Metodi XAI, Modelli ML, Tipi di Diabete, Esiti Clinici, KG/Grafo.
  • Revisione Selettiva: Analisi approfondita di 15 documenti ad alto impatto (più citati) per validare qualitativamente le lacune identificate quantitativamente.
• Standard di Reporting: La revisione segue le linee guida PRISMA 2020, adattate per la sintesi basata sui metadati.

3. Risultati Chiave

• Crescita Esplosiva: Il campo è cresciuto rapidamente, passando da 36 documenti nel 2020 a 866 nel 2025 (42,3% dell'intero corpus). Il settore non è ancora saturo.
• Dominanza Metodologica:
  • Metodi XAI: SHAP (152 occorrenze) domina nettamente su LIME e Feature Importance, grazie alla sua solida base teorica (valori di Shapley).
  • Modelli ML: XGBoost e Random Forest sono i modelli più utilizzati.
  • Paesi: La Cina (2.287 occorrenze), gli Stati Uniti (793) e l'India (578) guidano la produzione scientifica. Si nota una significativa sottorappresentazione dei paesi del Sud-est asiatico, dell'Africa e del Sud America, nonostante l'alto carico di diabete in queste regioni.
• La Lacuna KG/GNN (Il Risultato Principale):
  • Esiste un divario strutturale enorme: i termini relativi a Knowledge Graph (KG) e Graph Neural Networks (GNN) appaiono solo 17 volte (~0,83% del corpus) rispetto alle 906 occorrenze dei metodi XAI.
  • Il rapporto è di 53,3:1 a favore dell'XAI puro.
  • La revisione selettiva dei 15 articoli più citati conferma che nessuno di essi combina contemporaneamente ML, XAI e un layer semantico KG.
• Limiti dei Dati: Il 40% degli studi ad alto impatto utilizza ancora il dataset PIMA Indians (raccolto nel 1988, 768 record), mentre pochi utilizzano grandi indagini sulla salute della popolazione moderna (es. BRFSS, UK Biobank).

4. Contributi Principali

1. Analisi Bibliometrica Sistematica: Prima revisione quantitativa su un corpus duale (Scopus + PubMed) focalizzata specificamente sull'XAI per la predizione del rischio di T2DM.
2. Quantificazione del Divario KG/GNN: Identificazione e validazione empirica della quasi totale assenza di integrazione dei Grafi di Conoscenza in questo settore (0,83%), dimostrando che non è un artefatto di un singolo database.
3. Proposta di un Framework Concettuale a Tre Strati:
   Lo studio propone un nuovo modello per colmare il divario tra spiegazione statistica e ragionamento clinico:
   • Livello Predittivo: Utilizza ML (es. XGBoost) per stimare il rischio.
   • Livello di Spiegabilità: Utilizza XAI (es. SHAP) per rispondere al "cosa" (quali feature contribuiscono).
   • Livello di Conoscenza: Introduce un Knowledge Graph per rispondere al "perché" e "come", collegando le feature statistiche a percorsi fisiopatologici strutturati (es. Obesità → Resistenza all'insulina → Iperglicemia → T2DM) basati su ontologie cliniche (ICD-10, UMLS).
4. Indirizzi per la Ricerca Futura: Identificazione di nuove direzioni, tra cui la valutazione della stabilità temporale delle spiegazioni XAI, l'accordo tra diversi metodi di spiegazione e l'uso di dati demograficamente diversificati.

5. Significato e Implicazioni

• Per la Pratica Clinica: Il framework proposto mira a trasformare le CDSS (Clinical Decision Support Systems) da semplici predittori di rischio a strumenti che offrono spiegazioni clinicamente contestualizzate, riducendo il carico cognitivo dei medici e aumentando la fiducia nell'IA.
• Per la Salute Pubblica: L'integrazione di KG potrebbe migliorare la trasparenza e l'equità nella selezione dei programmi di screening su larga scala, assicurando che le spiegazioni siano comprensibili e basate su percorsi biologici noti.
• Limitazioni e Avvertenze: Lo studio chiarisce che il framework proposto non esegue un'inferenza causale vera e propria, ma struttura le spiegazioni attorno a conoscenze fisiopatologiche consolidate. La fattibilità tecnica (costruzione del KG, costi computazionali) richiede ulteriori validazioni sperimentali.

In conclusione, questo studio fornisce una mappa chiara dello stato dell'arte, evidenziando che mentre la predizione e la spiegazione statistica sono mature, l'integrazione della conoscenza medica strutturata (KG) rimane un'opportunità di ricerca inesplorata e cruciale per il futuro dell'IA in medicina.