DisclAImer all'Università di Padova: la challenge in un reparto di pediatria
Ieri, martedì 14 ottobre, la Fondazione Mondo Digitale ha partecipato come knowledge partner alla quarta tappa del tour nazionale DisclAImer. Ultime avvertenze prima della rivoluzione, promosso dal Corriere della Sera in collaborazione con Cineca e coordinato da Riccardo Luna. Dopo Roma, Bologna e Napoli, il dibattito è approdato a Padova, città simbolo della ricerca scientifica e medica, per affrontare un tema cruciale: “AI in ambito clinico. La forza della multidisciplinarietà”. La Fondazione ha contribuito portando strumenti ed esperienze per promuovere un uso dell’intelligenza artificiale etico, inclusivo e formativo [vedi la notizia DisclAImer a Padova].
La challenge interdisciplinare: AI in corsia
Nel pomeriggio si è svolta una challenge interdisciplinare che ha coinvolto studenti e giovani ricercatori dell’Università di Padova. I partecipanti, organizzati in team misti, hanno lavorato insieme per delineare i passaggi fondamentali di una ricerca che utilizzi l’intelligenza artificiale per individuare precocemente eventi rari ma critici nei bambini che accedono al pronto soccorso pediatrico. L’obiettivo: migliorare l’accuratezza diagnostica e ottimizzare l’uso delle risorse sanitarie. L’attività è stata introdotta dalle docenti Silvia Bressan e Raffaella Colombatti, del Dipartimento di Salute della Donna e del Bambino (SDB), con la collaborazione del gruppo interdipartimentale dell’Ateneo. L’approccio interdisciplinare ha messo in luce le potenzialità e le difficoltà del lavorare insieme tra competenze diverse, dal campo medico a quello ingegneristico e informatico, nella costruzione di strumenti di supporto all’attività clinica.
L’esercizio di un linguaggio comune
La sfida ha evidenziato l’importanza di un linguaggio condiviso per rendere efficace il dialogo tra saperi differenti. All’organizzazione hanno contribuito docenti e ricercatori dei dipartimenti di Salute della Donna e del Bambino, Ingegneria dell’Informazione, Scienze Chirurgiche, Oncologiche e Gastroenterologiche, Fisica e Astronomia, e Psicologia dello Sviluppo e della Socializzazione. L’attività è stata coordinata dai ricercatori Veronica Casotto e Jacopo Favaro.
Come sottolineato da Veronica Casotto, “è stato interessante osservare come studenti provenienti da percorsi molto diversi imparino prima di tutto a comprendersi, e poi a comunicare efficacemente ciò che sanno”. Un processo che non elimina le differenze, ma le trasforma in risorse.
Per Silvia Bressan si è trattato di “un’occasione per sperimentare un confronto concreto tra discipline, con l’obiettivo di affrontare problemi clinici complessi in modo integrato”. La sfida proposta riguardava lo sviluppo di algoritmi di intelligenza artificiale per la predizione precoce di condizioni intracerebrali che possono causare mal di testa nei bambini in pronto soccorso, un sintomo spesso difficile da interpretare.
L’essenza formativa e l’importanza di questo incontro sono state riassunte dalla professoressa associata Raffaella Colombatti: “È un’iniziativa che ci consente di unire studenti provenienti da mondi diversi, come quello sanitario e quello tecnico, e insegna loro ad affrontare problematiche legate alla salute incontrandosi su un terreno comune. Serve a sviluppare un linguaggio e una mentalità condivisi per affrontare sfide che sempre di più riguarderanno la salute: pensiamo alla telemedicina, all’intelligenza artificiale, e a come questi strumenti possano ottimizzare diagnosi, prognosi e terapie, mantenendo sempre un’umanizzazione delle cure anche in un contesto tecnologico”.
Le soluzioni dei team: diagnosi più rapide e modelli predittivi più etici
Durante la challenge, i sei gruppi di studenti e ricercatori hanno elaborato proposte diverse ma complementari per migliorare la diagnosi e la gestione dei pazienti con cefalea in pronto soccorso. Il gruppo 1 ha confrontato modelli statistici interpretabili e reti neurali generative per costruire sistemi di supporto alle decisioni cliniche trasparenti e affidabili. Il gruppo 2 ha ideato una pipeline che combina modelli linguistici e machine learning per estrarre automaticamente dai verbali di pronto soccorso le variabili di rischio e stimare la probabilità di tumore cerebrale. Il gruppo 3 ha progettato un modello supervisionato basato su un questionario clinico dedicato alla cefalea, in grado di restituire un livello di rischio graduato (basso, medio, alto) e suggerire l’eventuale necessità di imaging diagnostico. Il gruppo 4 ha sviluppato un algoritmo per stimare il rischio di patologia intracranica maligna nei pazienti pediatrici, con l’obiettivo di ridurre l’uso non necessario di esami radiologici. Il gruppo 5 ha posto l’accento su privacy e standardizzazione dei dati clinici, definendo criteri condivisi di raccolta e classificazione per garantire qualità e interoperabilità. Il gruppo 6, infine, ha proposto uno studio multicentrico europeo basato su dati anonimizzati e modelli decisionali ad albero, per migliorare la predittività mantenendo il pieno controllo umano sul processo diagnostico.
