In un ampio studio randomizzato, i tassi di conversazioni con i pazienti sulla pianificazione avanzata delle cure sono quadruplicati mentre le terapie potenzialmente dannose di fine vita sono diminuite del 25%.
Lo studio in oggetto, il primo randomizzato impostato su un intervento comportamentale basato sull’IA nella cura di malattie oncologiche gravi, ha incluso 20.506 pazienti ambulatoriali (età media 60 anni) ad elevato rischio di morte entro 6 mesi (predetto dal Machine Learning), seguiti per un totale di oltre 41.000 incontri presso 9 cliniche oncologiche della Pennsylvania. I pazienti sono stati randomizzati a "usual-care" versus interventi comportamentali basati su promemoria per i medici basati sulla IA: e-mail settimanali, liste settimanali di pz ad alto rischio, solleciti prima delle visite di controllo. Dopo un follow-up di 24 settimane, i tassi di conversazione con i pazienti sulla pianificazione anticipata delle cure sono quasi quadruplicati, dal 3,4% al 13,5%. Inoltre il ricorso alla chemioterapia e ad altre terapie aggressive nelle ultime due settimane di vita è diminuito dal 10,4% al 7,5%.
In particolare, l’aumento delle conversazioni sugli obiettivi di cura è stato osservato anche nei pazienti che non erano stati contrassegnati dall’algoritmo come ad alto rischio, suggerendo che i solleciti hanno indotto i medici a modificare in generale il loro comportamento all’interno della pratica. L’intervento non ha avuto alcun impatto su altri parametri di fine vita, tra cui l’iscrizione all’hospice, la durata del ricovero, la morte ospedaliera o l’utilizzo dell’unità di terapia intensiva di fine vita.
Riflessioni e timori L’Ambito palliativo è il setting ottimale per l’implementazione di strumenti finalizzati a migliorare la condivisione delle scelte assistenziali e la relazione di cura tra medico, paziente e familiari. Una delle criticità spesso citata da parte dei medici, per giustificare i ritardi nell’effettuazione dei colloqui con malati di cancro in fase avanzata è la difficoltà di definire una previsione prognostica di sopravvivenza. Prevedere quanto a un paziente terminale rimanga da vivere è molto difficile. Ci sono tantissime variabili in gioco, che vanno dalla natura della malattia, alla storia familiare, alla risposta della persona ai farmaci ed ai trattamenti. Capita spesso che i medici possano sbagliare, per eccesso, o per difetto. Possibili cause della sopravvalutazione sono la non risoluzione personale del problema da parte del medico e l’atteggiamento di protezione nei confronti del paziente.
Le attuali tecniche di machine learning (ML) prospettano un possibile cambio di paradigma, la possibilità di definire una prognosi sempre più accurata e di supportare i medici mediante promemoria, come riportato nello studio, per favorire aspetti essenziali quali la pianificazione anticipata delle cure e la definizione di percorsi di cura coerenti con i bisogni ed i desideri dei pazienti. Parlare con i pazienti della loro prognosi e dei loro valori può aiutare i medici a sviluppare piani di cura che siano meglio allineati agli obiettivi di ciascun individuo, ma è essenziale che le discussioni avvengano prima che i pazienti si ammalino troppo.
Questo studio apre nuove prospettive sulla relazione medico-paziente terminale: la IA infatti offre nuovi strumenti che potranno essere utilizzati con diverse modalità e gradualità. In termini forse schematici ma utili per il medico pratico potremmo distinguere due modalità profondamente diverse: una in cui il medico conosce a grandi linee le grandi potenzialità ed i preoccupanti limiti della IA, ne valuta la utilità nei diversi frangenti e se ne serve quando lo ritiene utile per il tempo strettamente necessario, ed un’altra radicalmente diversa, nella quale il medico si lascia guidare dalla IA e dagli eventi, risparmiando certo energie e tempo ma narcotizzando la propria creatività, la propria professionalità e soprattutto la propria umanità… E’ evidente come questa seconda opzione sia un primo passo verso un processo di progressiva subordinazione ad un “ Grande Fratello” che è ovunque intorno a noi e che alcuni di noi accettano tranquillamente di ospitare dentro di sé. Per chi crede ancora nella medicina umanistica-ippocratica ricordiamo ancora una volta come la relazione medico-paziente sia una relazione sfumata, fondata sul non detto, sull’implicito, su complicità e sguardi, che non può sopravvivere se il medico si lascerà guidare dalle macchine, ed accetterà di degradare i pazienti ad entità classificate secondo codici prognostici, più o meno affidabili (e più o meno rimborsabili), titolari di interventi basati su fredde analisi costi-benefici ma non su una reale presa in carico di un essere umano a cui sentiamo di dover garantire una morte dignitosa.
La stessa speranza infatti è inevitabilmente perduta se ragioniamo su basi strettamente scientifiche. Il medico, conoscendo le probabilità relative alla prognosi, anche involontariamente, potrebbe comunicare al malato “verità probabilistiche”, certe nei grandi numeri ma puntualmente smentite nei singoli casi che ognuno di noi ogni giorno cura. I dati, anche quelli scientifici, non sono valori, e la predizione algoritmica è ben diversa dalle decisioni da assumere in base alla stessa capacità predittiva: ed anche se l’algoritmo fosse corretto per il nostro paziente, non è dell’algoritmo che egli ha bisogno nel crepuscolo della sua vita, ma come ben sa chi ha preso in cura chi muore, ha bisogno di essere affettuosamente protetto per allontanarsi, distaccarsi gradualmente da tutto ciò che lo fa soffrire nel corpo ed ancor più nel suo animo.
Conclusioni I modelli del ML, quando affidabili e validati nella pratica, potranno essere utili ma solo come strumento complementare e soprattutto opzionale per il medico, uno dei parametri di cui valutare l’utilità nelle diverse situazioni. La premessa fondamentale per il loro utilizzo è una accurata supervisione umana, di alta qualità, emergente da una sensibilizzazione alla comunicazione orientata ai bisogni dei malati e delle loro famiglie, per evitare di trasformare la fase terminale della vita in materiale per previsioni più o meno centrate, aggiungendo alle già consolidate tipologie di accanimento, diagnostico, terapeutico e palliativo, quello prognostico.
Bibliografia Manz C R et al. Long-term Effect of Machine Learning–Triggered Behavioral Nudges on Serious Illness Conversations and End-of-Life Outcomes Among Patients With Cancer: A Randomized Clinical Trial JAMA Oncol. 2023;9(3):414-418. doi:10.1001/jamaoncol.2022.6303
Giampaolo Collecchia e Riccardo De Gobbi
Per approfondimenti: Giampaolo Collecchia e Riccardo De Gobbi: Intelligenza Artificiale e Medicina Digitale Il Pensiero Scientifico Ed. Roma 2020 http://pensiero.it/catalogo/libri/pubblico/intelligenza-artificiale-e-medicina-digitale
|