Leapfrogging cancer diagnostics with AI: a mixed-methods assessment of implementation determinants in low- and middle-income countries

Il cancro è una malattia implacabile che colpisce le persone ovunque, ma la capacità di diagnosticarlo rapidamente e con precisione non è condivisa equamente in tutto il mondo. In molti paesi a basso e medio reddito, il percorso verso la guarigione è spesso bloccato molto prima che inizi il trattamento. Il primo passo per combattere il cancro è trovarlo, il che richiede solitamente un patologo, ovvero un medico che esamina sottili fette di tessuto sotto un microscopio per identificare la malattia. Questi specialisti sono scarsi in molte parti del mondo, e i laboratori in cui lavorano spesso mancano degli strumenti avanzati necessari per vedere i dettagli più piccoli. Senza una diagnosi chiara, i pazienti aspettano troppo a lungo per ricevere cure, e le loro possibilità di sopravvivenza diminuiscono.

Negli ultimi anni, è emerso un nuovo strumento che promette di cambiare questo scenario: l'intelligenza artificiale. Si tratta di un software per computer addestrato a riconoscere modelli, capace di osservare gli stessi vetrini di tessuto di un medico umano e individuare segni di cancro con grande velocità. L'idea è che, se questi programmi intelligenti potessero essere integrati nei sistemi diagnostici delle nazioni in via di sviluppo, potrebbero aiutare i medici a lavorare più velocemente e con maggiore precisione, permettendo potenzialmente a questi paesi di saltare i passaggi lenti e costosi della costruzione dei laboratori di patologia tradizionali e passare direttamente a un sistema digitale moderno. Ma affinché ciò funzioni, la tecnologia deve adattarsi alla realtà dei luoghi in cui è necessaria. Non può essere semplicemente calata dall'esterno; deve essere compreso come i medici locali, i budget e le regole interagiscono con il software.

Un team di ricercatori si è messo in campo per capire esattamente come questo possa funzionare nella pratica. Non si sono limitati a costruire un programma per computer e a testarlo; al contrario, sono andati alla fonte, chiedendo alle persone che avrebbero effettivamente utilizzato la tecnologia cosa servisse loro e cosa ostacolasse il loro lavoro. Hanno parlato con dodici medici provenienti da dodici paesi diversi, inclusi dieci paesi a basso e medio reddito e due paesi ad alto reddito per un confronto. Questi medici erano esperti in patologia e ginecologia, i campi più coinvolti nella diagnosi del cancro. I ricercatori hanno utilizzato un mix di metodi, partendo da sondaggi per mappare lo stato attuale dei laboratori, seguiti da discussioni di gruppo per approfondire le sfide e, infine, un secondo sondaggio per misurare quanto fortemente i medici percepissero determinati problemi.

I ricercatori hanno scoperto che la situazione sul campo era molto più complicata di una semplice lista di paesi ricchi e poveri. Sebbene ogni singolo sito avesse accesso al metodo di base della colorazione dei vetrini di tessuto per renderli visibili, la capacità di eseguire test più avanzati variava enormemente. In sette siti su dieci a basso reddito, i laboratori non avevano capacità sufficiente per eseguire i test chimici specializzati spesso richiesti per confermare una diagnosi di cancro. In sei di questi dieci siti, i test molecolari — che analizzano la composizione genetica del tumore — erano del tutto assenti o appena disponibili. Ciò significava che anche se un computer poteva individuare un problema, i medici umani spesso mancavano degli strumenti per confermarlo o per comprendere esattamente di che tipo di cancro si trattasse.

Anche la disponibilità degli strumenti digitali necessari per l'intelligenza artificiale presentava risultati misti. La maggior parte dei siti disponeva di scanner in grado di trasformare i vetrini fisici in immagini digitali, un primo passo necessario affinché il computer possa "vedere" i tessuti. Tuttavia, i potenti computer necessari per eseguire il software di intelligenza artificiale mancavano in più della metà delle località. Questo creava un bizzarro disconnesso: alcuni luoghi avevano gli scanner per creare le immagini ma non i computer per analizzarle, mentre altri avevano i computer ma non gli scanner. I ricercatori hanno notato che questa variazione non seguiva il consueto schema della ricchezza nazionale. Il livello di reddito di un paese non era un indicatore affidabile per indovinare se un ospedale specifico fosse pronto a utilizzare l'intelligenza artificiale. Alcune istituzioni nei paesi a basso reddito erano sorprendentemente ben attrezzate, mentre altre in nazioni più ricche lottavano con lacune basilari.

Quando ai medici è stato chiesto cosa volessero che l'intelligenza artificiale facesse, le loro risposte sono state pratiche e focalizzate sui bisogni immediati. Non chiedevano che il software li sostituisse o che prevedesse il futuro con certezza assoluta. Al contrario, volevano che il computer li aiutasse a trovare il cancro precocemente, a raddoppiare i propri controlli diagnostici e a prevedere determinati marcatori biologici a partire dai vetrini colorati standard. Immaginavano un sistema in cui il computer potesse esaminare migliaia di vetrini, segnalando quelli che sembravano sospetti, in modo che un medico umano potesse concentrare il proprio tempo su quei casi specifici. Sarebbe come avere un assistente instancabile che non perde mai un dettaglio, permettendo ai medici sovraccarichi di visitare più pazienti senza sacrificare l'accuratezza.

Tuttavia, la strada per rendere concreta questa visione è bloccata da una serie di ostacoli interconnessi. I ricercatori hanno identificato sei fattori principali che determinano se l'intelligenza artificiale possa effettivamente essere utilizzata in questi contesti. Il primo è l'alfabetizzazione, ovvero i medici e i pazienti devono comprendere cos'è la tecnologia e fidarsi di essa. Il secondo è l'evidenza, o la necessità di dimostrare che il software funzioni bene per le popolazioni specifiche di questi paesi, e non solo per le persone nelle nazioni ricche. Il terzo è la governance, che riguarda la creazione di regole e leggi per guidare l'uso della tecnologia e stabilire chi sia responsabile in caso di errore. Il quarto è l'implementazione clinica, che copre i passaggi fisici per inserire il software nel flusso di lavoro ospedaliero. Il quinto è il finanziamento, e il sesto è la collaborazione tra diversi gruppi.

Tra tutte queste sfide, il denaro è emerso come l'ostacolo principale. I medici hanno riferito che i vincoli finanziari erano la barriera dominante in ogni singolo ambito. Spiegavano che, senza una fonte costante di finanziamenti, non potevano acquistare i computer necessari, non potevano pagare le connessioni internet necessarie per inviare le immagini e non potevano permettersi di formare il personale. Sebbene fossero disponibili sovvenzioni internazionali e fondi per la ricerca per acquistare l'attrezzatura iniziale, i medici temevano che questi fondi sarebbero finiti, lasciandoli con macchine costose che non potevano mantenere o riparare. Hanno sottolineato che, affinché l'intelligenza artificiale sia duratura, deve essere sostenuta dal budget sanitario regolare del governo, non solo da donazioni temporanee.

La collaborazione è stata identificata come la chiave per sbloccare le altre soluzioni. I medici si sono resi conto che nessun singolo individuo o ospedale poteva risolvere questi problemi da solo. Avevano bisogno di lavorare insieme ai governi per creare politiche, con le università per formare la prossima generazione di medici e con le aziende private per condividere il costo delle attrezzature. Hanno osservato che gli sforzi attuali sono spesso frammentati, con diversi gruppi che lavorano in isolamento. I ricercatori hanno scoperto che la strada più efficace consiste in uno sforzo coordinato in cui questi diversi stakeholder uniscano le forze, condividendo risorse e conoscenze per costruire un sistema che possa sostenersi nel lungo periodo.

Lo studio ha concluso che, sebbene l'intelligenza artificiale offra grandi promesse per aiutare i paesi a basso e medio reddito a superare lo sviluppo tradizionale e lento dei laboratori di patologia, non è una soluzione magica che può essere applicata ovunque nello stesso modo. La prontezza nell'utilizzare questa tecnologia varia enormemente da un ospedale all'altro, indipendentemente dalla ricchezza complessiva del paese. Il successo dipende dal rispondere ai bisogni locali specifici, garantendo finanziamenti sostenibili e costruendo partnership solide. Senza queste fondamenta, la tecnologia rischia di diventare un altro pezzo di attrezzatura inutilizzata a prendere polvere in un laboratorio, invece di essere uno strumento che salva vite. I ricercatori suggeriscono che, prima di implementare questi sistemi, ogni istituzione debba essere attentamente valutata per garantire di avere le persone, le regole e i soldi necessari per far funzionare la tecnologia.