Diagnosi assistita da Intelligenza Artificiale in Oftalmologia (AI-OPHTH-CR)

CONTESTO E RAZIONALE:

Le malattie oftalmiche rappresentano un importante onere per la salute pubblica a livello globale e in Costa Rica. Il glaucoma colpisce oltre 80 milioni di persone in tutto il mondo ed è la seconda causa di cecità irreversibile. La retinopatia diabetica è la principale causa di cecità negli adulti in età lavorativa. La cataratta rimane la causa più comune di deficit visivo reversibile a livello mondiale. In Costa Rica, queste condizioni colpiscono centinaia di migliaia di persone con un impatto significativo sulla qualità della vita e sulla produttività economica.

IL PROBLEMA - Sfide nella rilevazione:

La diagnosi precoce di queste malattie è fondamentale, ma affronta diverse sfide:

1. Il glaucoma è asintomatico nelle fasi iniziali - i pazienti non notano la perdita della vista fino a quando non si è verificato un danno irreversibile significativo
2. La retinopatia diabetica richiede uno screening annuale di tutti i pazienti diabetici, sovraccaricando la capacità oftalmologica disponibile
3. L'interpretazione delle immagini oftalmologiche è dispendiosa in termini di tempo e soggetta a variabilità inter-osservatore
4. In contesti con risorse limitate, l'accesso a oftalmologi esperti è insufficiente per lo screening di tutte le popolazioni a rischio

L'OPPORTUNITÀ - Intelligenza Artificiale:

I recenti progressi nell'apprendimento profondo, in particolare le reti neurali convoluzionali (CNN), hanno dimostrato una notevole capacità nell'analisi delle immagini mediche. Studi pubblicati su JAMA, Nature e The Lancet hanno mostrato che i sistemi di IA raggiungono un'accuratezza diagnostica comparabile o superiore a quella di oftalmologi esperti per la retinopatia diabetica (Gulshan et al., 2016), la degenerazione maculare legata all'età (De Fauw et al., 2018) e il glaucoma (Li et al., 2018).

IL DIVARIO CRITICO - Validazione Specifica per la Popolazione:

Tuttavia, esiste un problema fondamentale: la maggior parte dei sistemi di IA è stata sviluppata e validata in popolazioni asiatiche, europee o nordamericane. Questi sistemi potrebbero non generalizzare bene alle popolazioni latinoamericane a causa di:

• Diversi modelli di prevalenza delle malattie
• Diverse caratteristiche demografiche (distribuzione dell'età, composizione etnica)
• Diversa attrezzatura e protocolli utilizzati nella pratica clinica
• Diverse strutture e flussi di lavoro del sistema sanitario

Applicare sistemi di IA sviluppati altrove senza una validazione locale è scientificamente discutibile e potenzialmente pericoloso. Questo studio affronta questo divario critico sviluppando e validando un sistema di IA specificamente per la popolazione costaricana.

OBIETTIVI DELLO STUDIO:

Obiettivo Primario:

Sviluppare e validare un sistema di IA per il rilevamento e la classificazione automatica delle principali patologie oftalmologiche (glaucoma, cataratta, retinopatia diabetica, altre malattie retiniche) da immagini oftalmologiche multimodali nella popolazione costaricana.

Obiettivi Specifici:

1. Costruire un database di riferimento di alta qualità di circa 15.000 immagini oftalmologiche con diagnosi verificate da esperti
2. Sviluppare reti neurali profonde che integrino multiple modalità di immagini e dati clinici
3. Validare le prestazioni del modello su 3.000 immagini indipendenti mai viste durante l'addestramento
4. Analizzare i pregiudizi algoritmici e l'equità tra sottogruppi demografici e clinici

5. Valutare la fattibilità dell'implementazione clinica nei flussi di lavoro oftalmologici reali

   DISEGNO DELLO STUDIO:

   Tipo: Validazione Retrospettiva della Tecnologia Diagnostica

   Ambiente: Due centri oftalmologici in Costa Rica

   • Sito 1: Asociados de Mácula y Vítro de Costa Rica, San José (10.000 immagini)
   • Sito 2: Centro Ocular, Heredia (5.000 immagini)

   Popolazione dello Studio: Circa 15.000 immagini oftalmologiche da pazienti adulti (≥18 anni) che hanno ricevuto cure presso i centri partecipanti

   Modalità di Immagini:

   • Fotografia del fundus (colore e autofluorescenza)
   • Tomografia a coerenza ottica (OCT) - segmento posteriore
   • Fotografia del segmento anteriore
   • Perimetria automatizzata (campi visivi)
   • Video-OCT

   METODOLOGIA:

   Fase 1 - Estrazione delle Immagini (Mesi 1-6):

   Tutte le immagini oftalmologiche disponibili che soddisfano i criteri di inclusione di base (età ≥18 anni, modalità appropriata, acquisite durante cure cliniche di routine) saranno estratte automaticamente dal PACS (Picture Archiving and Communication Systems) in ciascun sito. Nessuna restrizione temporale - tutte le immagini storiche disponibili saranno incluse per massimizzare il volume e la rappresentatività dei dati.

   Fase 2 - Anonimizzazione Completa (Mesi 1-6):

   Protocollo rigoroso di anonimizzazione:

   • Rimuovere tutti gli identificatori diretti (nome, numero ID, indirizzo, telefono, email, numero di cartella clinica)
   • Assegnare codici anonimi casuali a ciascuna immagine
   • Trasformare dati potenzialmente identificativi: data di nascita esatta → fascia d'età (18-40, 41-60, 61-75, >75); date esatte → solo anno
   • Creare una tabella di collegamento crittografata archiviata localmente solo per emergenze etiche (ad esempio, riscontri incidentali che richiedono notifica al paziente)

   Dati clinici preservati (non identificativi):

   • Fascia d'età
   • Sesso
   • Diagnosi
   • Pressione intraoculare (mmHg)
   • Acuità visiva migliore corretta
   • Storia di diabete mellito (sì/no)
   • Chirurgia oculare recente (sì/no)

   Fase 3 - Valutazione della Qualità ed Etichettatura (Mesi 7-12):

   Sistema di doppia lettura con adjudication:

   Passo 1: Screening della qualità

   • Ogni immagine revisionata per la qualità diagnostica
   • Accettata o rifiutata in base a messa a fuoco, illuminazione, campo visivo, assenza di artefatti maggiori
   • Immagini rifiutate escluse permanentemente

   Passo 2: Lettura indipendente

   • Lettore 1 (Dr. Marissé Masís Solano) assegna indipendentemente la diagnosi
   • Lettore 2 (Dr. Erick Hernández Bogantes) assegna indipendentemente la diagnosi
   • I lettori sono ciechi alle valutazioni reciproche

   Passo 3: Adjudication

   • Se i lettori concordano → diagnosi registrata come finale
   • Se i lettori dissentono → l'Adjudicator (Dr. Marissé Masís Solano) prende la decisione finale

   Giustificazione dell'Indipendenza dell'Adjudicator:

   La Dr. Masís soddisfa tutti i requisiti di indipendenza:

   • Le immagini non sono dei suoi pazienti (nessun pregiudizio precedente)
   • Non è il Principal Investigator (nessuna pressione diretta per risultati specifici)
   • Oftalmologa esperta pienamente qualificata
   • Conforme agli standard di Buona Pratica Clinica e alle linee guida FDA per lo sviluppo di dispositivi medici di IA

   Categorie Diagnostiche:

   • Glaucoma (ad angolo aperto e ad angolo chiuso)
   • Cataratta (gravità graduata)
   • Retinopatia diabetica (lieve, moderata, grave, proliferativa)
   • Degenerazione maculare legata all'età (secca vs umida)
   • Occlusione vascolare retinica
   • Edema maculare
   • Normale/nessuna patologia significativa
   • Altri reperti rilevanti

   Fase 4 - Suddivisione dei Dati (Mese 13):

   Suddivisione casuale stratificata mantenendo le proporzioni delle categorie diagnostiche:

   • Set di addestramento: 12.000 immagini (80%)
   • Set di validazione: 3.000 immagini (20%)

   Separazione rigorosa mantenuta - le immagini di validazione mai viste dal modello durante l'addestramento.

   Fase 5 - Sviluppo e Addestramento del Modello (Mesi 13-15):

   Architettura:

   • Reti neurali convoluzionali profonde (ResNet, EfficientNet, Vision Transformers)
   • Apprendimento per trasferimento da modelli pre-addestrati su ImageNet
   • Fusione multimodale: caratteristiche delle immagini + dati clinici

   Processo di Addestramento:

   • Il modello apprende iterativamente a prevedere le diagnosi dalle immagini + dati clinici
   • Tecniche di regolarizzazione per prevenire l'overfitting (dropout, data augmentation, early stopping)
   • Ottimizzazione degli iperparametri per trovare la configurazione migliore

   Fase 6 - Validazione Esterna (Mesi 16-18):

   Il modello testato su 3.000 immagini di validazione che non ha mai visto durante l'addestramento.

   Metriche di Performance (calcolate per ciascuna categoria di malattia):

   • Sensibilità (tasso di veri positivi)
   • Specificità (tasso di veri negativi)
   • Valore predittivo positivo (precisione)
   • Valore predittivo negativo
   • Accuratezza complessiva
   • F1-score
   • Area sotto la curva ROC (AUC-ROC)

   Criteri di Successo (prestabiliti):

   • AUC ≥ 0,90 per ciascuna patologia principale
   • Sensibilità ≥ 85%
   • Specificità ≥ 85%

   Analisi dei Sottogruppi:

   Tutte le metriche calcolate per sottogruppi:

   • Per sesso (maschio vs femmina)
   • Per fascia d'età
   • Per gravità della malattia
   • Per centro (Sito 1 vs Sito 2)
   • Per dispositivo di acquisizione

   Analisi dell'Equità:

   Test statistici per rilevare disparità di performance tra sottogruppi. Criterio: nessuna differenza clinicamente significativa (differenza AUC <0,05) tra sottogruppi demografici.

   Analisi degli Errori:

   Gli investigatori oftalmologi revisioneranno manualmente tutti gli errori del modello per identificare:

   • Errori comprensibili (casi genuinamente ambigui)
   • Errori gravi (diagnosi completamente errate)
   • Modelli di errore sistematici

   Fase 7 - Analisi dei Pregiudizi (Mesi 19-21):

   Valutazione completa dei pregiudizi algoritmici:

   • Pregiudizio di sesso
   • Pregiudizio di età
   • Pregiudizio di gravità della malattia
   • Pregiudizio dell'attrezzatura
   • Pregiudizio del centro

   Fase 8 - Documentazione e Disseminazione (Mesi 22-24):

   • Preparazione del manoscritto per la pubblicazione (riviste target: JAMA Ophthalmology, Ophthalmology, Lancet Digital Health)
   • Documentazione tecnica
   • Rapporti alle autorità sanitarie
   • Presentazioni a conferenze

   ANALISI STATISTICA:

   Giustificazione della Dimensione Campionaria:

   Con 3.000 immagini di validazione e stimate circa 750 casi per ciascuna categoria diagnostica principale:

   • Potenza >90% per rilevare un AUC di 0,90 contro l'ipotesi nulla di 0,80
   • Intervalli di confidenza al 95% per AUC con ampiezza ≤0,05
   • 95% IC per sensibilità dell'85%: 82-88% (con 750 casi positivi)
   • 95% IC per specificità del 90%: 89-91% (con 2.250 casi negativi)

   Questi stretti intervalli di confidenza consentono conclusioni precise sulla vera performance del modello.

   Analisi Primaria:

   • Curve ROC con metodo DeLong per il confronto dell'AUC
   • Intervalli di confidenza al 95% per tutte le metriche di performance
   • Test di McNemar per confrontare gli errori del modello vs umani sui casi discordanti

   Analisi Secondarie:

   • Confronto delle performance tra centri
   • Analisi dei sottogruppi (sesso, età, gravità, dispositivo)
   • Analisi multivariata dei fattori che influenzano la performance del modello

   CONSIDERAZIONI ETICHE:

   Richiesta di Deroga al Consenso Informato:

   Questo studio richiederà la deroga al consenso informato basandosi su:

1. Rischio minimo (nessun intervento, nessun contatto con il paziente, nessuna modifica del trattamento)
2. Impossibilità pratica (15.000 immagini da migliaia di pazienti nel corso degli anni - molti irraggiungibili)
3. Anonimizzazione completa (i dati non qualificano come "dati personali" secondo le normative internazionali)
4. Significativo beneficio sociale (potenziale di migliorare il rilevamento delle malattie della cecità nell'intera popolazione costaricana)
5. Precedente scientifico (praticamente tutti i grandi studi retrospettivi di sviluppo dell'IA operano con deroga al consenso)
6. Diritti dei pazienti preservati (i pazienti possono richiedere l'esclusione dei dati)

Sicurezza dei Dati:

• Archiviazione: Google Cloud Platform con certificazione HIPAA
• Crittografia: AES-256 a riposo, TLS 1.3 in transito
• Accesso: Autenticazione a più fattori obbligatoria
• Traccia di audit: Registrazione completa di tutte le azioni
• Conservazione: 5 anni dopo la pubblicazione, poi distruzione sicura

Protocollo per Riscontri Incidentali:

Se l'investigatore identifica una patologia grave precedentemente non diagnosticata:

1. L'investigatore notifica il PI del sito
2. Il PI del sito utilizza la tabella di collegamento crittografata locale per identificare il paziente
3. Il PI del sito contatta il medico curante originale
4. Il medico curante decide se contattare il paziente
5. Riscontro e azione documentati

LIMITAZIONI:

Limitazioni riconosciute:

1. Disegno retrospettivo - dipendente dalla qualità della documentazione storica, non può standardizzare l'acquisizione delle immagini
2. Solo due centri - i risultati potrebbero non generalizzarsi perfettamente ad altri centri con attrezzature o popolazioni diverse
3. Specifico per la popolazione costaricana - risultati specifici per la demografia e le prevalenze locali (ma questo è esattamente l'obiettivo!)
4. Verità di base da esperti umani che sono fallibili - mitigato dal sistema di doppia lettura + adjudication

MITIGAZIONE DEL RISCHIO:

Piani per potenziali rischi:

• Volume di immagini insufficiente → fase pilota per calibrare i criteri di qualità; considerare centri aggiuntivi se necessario
• Disaccordo eccessivo tra lettori → sessioni di calibrazione per allineare i criteri
• Performance del modello insufficiente → iterare con architetture avanzate, augmentation più aggressiva
• Pregiudizi non rilevati → analisi completa dell'equità pre-programmata
• Violazione della sicurezza dei dati → infrastruttura conforme HIPAA, audit di sicurezza trimestrali, piano di risposta agli incidenti

IMPLEMENTAZIONE FUTURA:

Questo è solo sviluppo e validazione, non implementazione clinica.

Se la validazione avrà successo, la Fase 2 sarà:

• Studio prospettico controllato
• Valutare l'impatto clinico reale: L'assistenza dell'IA migliora i tassi di rilevamento? Cambia la gestione del paziente? Migliora gli esiti?
• Misurare l'accettabilità da parte di clinici e pazienti
• Valutare il rapporto costo-efficacia

Scenario di Utilizzo Clinico Proposto (futuro):

1. Paziente valutato in visita oftalmologica di routine
2. Immagini diagnostiche standard acquisite (fotografia del fundus, OCT, campi visivi)
3. Immagini inviate automaticamente al sistema di IA
4. Il sistema analizza le immagini in pochi secondi e genera un rapporto
5. L'oftalmologo revisiona le immagini + rapporto dell'IA

6. L'oftalmologo prende la decisione clinica finale (l'IA è un assistente, non un sostituto)

   Sicurezze:

   - Il medico umano prende sempre la decisione finale

   • Il sistema indica il livello di confidenza per ciascuna predizione
   • Allarmi di bassa confidenza attivano la raccomandazione per una seconda opinione umana
   • Tracciamento dell'accordo uomo-IA per il monitoraggio delle performance

   Monitoraggio Continuo (se implementato):

   - Valutazione delle performance trimestrale

   • Ri-addestramento annuale con nuovi dati
   • Aggiornamento quando emergono nuove attrezzature o modalità di imaging

   CONTRIBUTI ATTESI:

   Scientifici:

   - Primo modello di oftalmologia IA validato specificamente nella popolazione costaricana

   - Metodologia rigorosa replicabile da altri paesi latinoamericani

   • Database di riferimento di alta qualità (15.000 immagini verificate da esperti)
   • Pubblicazioni su riviste ad alto impatto

   Clinici:

   - Potenziale strumento di assistenza diagnostica (se la validazione avrà successo)

   - Criteri diagnostici standardizzati

   • Materiale educativo

   Politica Sanitaria:

   - Evidenze per decisioni regolatorie sul software medico di IA

   • Modello per l'approccio "validazione locale prima"
   • Esempio di collaborazione pubblico-privato

   Educativi:

   • Formazione di talenti locali in IA medica
   • Consapevolezza dei pregiudizi algoritmici nella tecnologia sanitaria

   RIFERIMENTI:

   Studi chiave che dimostrano la capacità dell'IA in oftalmologia:

   • Gulshan V, et al. Sviluppo e validazione di un algoritmo di apprendimento profondo per il rilevamento della retinopatia diabetica in fotografie del fundus retinico. JAMA. 2016;316(22):2402-2410.
   • De Fauw J, et al. Apprendimento profondo clinicamente applicabile per la diagnosi e il referral nelle malattie retiniche. Nat Med. 2018;24(9):1342-1350.
   • Li Z, et al. Efficacia di un sistema di apprendimento profondo per il rilevamento della neuropatia ottica glaucomatosa basata su fotografie del fundus a colori. Ophthalmology. 2018;125(8):1199-1206.