L’AI estrae eventi cardiaci dalle cartelle oncologiche in pochi secondi

In uno studio della Thomas Jefferson University, medici, specializzandi e studenti hanno impiegato circa due ore per esaminare ciascuna cartella clinica elettronica (EHR). Un large language model (LLM), un sistema di intelligenza artificiale utilizzato in questo caso per leggere testi medici, ha svolto lo stesso compito di estrazione in 20-42 secondi; il confronto ha riguardato 411 pazienti con tumore al seno o ai polmoni.

L’obiettivo era la cardiotossicità, cioè il danno al cuore causato dai trattamenti oncologici. I pazienti con tumore al seno o ai polmoni corrono un rischio maggiore perché cuore, polmoni e seni sono vicini tra loro. Il danno può aumentare il rischio di infarto, insufficienza cardiaca e altre patologie cardiache, ma trovare le prove nelle cartelle dei pazienti può richiedere la lettura di centinaia di documenti.

Il framework faceva più che cercare una parola. I suoi prompt individuavano le parole chiave pertinenti verificando al contempo la presenza di falsi positivi: una nota in cui si affermava che un paziente aveva negato di avere una malattia, o che un infarto era stato «escluso», non veniva conteggiata come evento cardiaco. Questa distinzione è importante nelle cartelle cliniche, dove i riscontri negativi possono essere formulati in molti modi.

I ricercatori hanno utilizzato LLM open source e riferito che il framework trovava dati sugli eventi cardiaci nel 71%-85,5% dei casi. Durante la selezione iniziale, DeepSeek-R1-70b, Llama-3.3 e Mistral-Large hanno mostrato il miglior equilibrio tra accuratezza diagnostica e rispetto del formato, quindi i tre modelli sono passati alle coorti di validazione.

In concreto, per i team di ricerca oncologica, il sistema potrebbe trasformare la lenta prima revisione delle cartelle dei pazienti in un metodo molto più rapido per raccogliere dati sulla cardiotossicità. Per i pazienti, il passo successivo auspicato è individuare quelli più esposti allo sviluppo di complicazioni cardiache e utilizzare queste informazioni per definire il trattamento radioterapico, riducendo potenzialmente gli effetti collaterali. L’articolo presenta questo obiettivo come un traguardo futuro, non come un servizio clinico attuale: sono ancora necessari ulteriori perfezionamenti e il lavoro descritto non dimostra un miglioramento degli esiti per i pazienti.