Un'analisi pubblicata su PLOS Digital Health ha esaminato come i modelli di intelligenza artificiale e machine learning si comportano nell'identificazione precoce di infezioni virali trasmesse da zanzare come dengue, chikungunya e Zika. I dati aggregati mostrano valori elevati nei principali parametri di accuratezza, ma la qualità delle prove disponibili resta limitata. Queste tre malattie, trasmesse dagli stessi vettori Aedes e spesso presenti nelle stesse aree geografiche, sono difficili da distinguere clinicamente per la sovrapposizione di sintomi iniziali come febbre e malessere aspecifico. La diagnosi differenziale si complica ulteriormente perché più infezioni possono coesistere nello stesso contesto epidemiologico e i test specifici per dengue o chikungunya non sono sempre facilmente accessibili. Per Zika, non esistono test commerciali ampiamente disponibili, come riportato da The Wire Science.
Secondo la revisione, l'area sotto la curva ROC aggregata è risultata pari a 0,954 (IC 95% 0,936–0,968), mentre l'accuratezza complessiva raggiunge 0,904 (IC 95% 0,888–0,918). Il valore predittivo positivo è stato stimato a 0,903 (IC 95% 0,876–0,925) e quello negativo a 0,882 (IC 95% 0,859–0,902). Il modello bivariato random-effects ha prodotto una sensibilità aggregata di 0,861 (IC 95% 0,809–0,900) e una specificità di 0,902 (IC 95% 0,871–0,927). Questi valori vanno letti come stime di performance su dati pubblicati e non come prova di efficacia clinica, anche perché la revisione segnala una forte eterogeneità tra gli studi inclusi (I² tra 95,8% e 97,7%), che limita la trasferibilità dei risultati tra diversi contesti geografici e livelli di prevalenza della malattia.
Limiti metodologici e interpretazione dei risultati
La revisione evidenzia che l'eterogeneità tra gli studi è sostanziale, con valori I² compresi tra 95,8% e 97,7% per gli esiti univariati. La maggior parte degli studi inclusi è stata giudicata ad alto rischio di bias secondo il tool PROBAST, mentre la calibrazione e la validazione esterna dei modelli sono poco frequenti. Gli autori chiariscono che i dati riflettono la letteratura sui modelli pubblicati e non l'applicazione clinica prospettica. Inoltre, la base di evidenze è limitata sia geograficamente sia per i patogeni considerati: la maggior parte degli studi proviene dall'Asia e si concentra sul dengue, senza includere West Nile virus o febbre gialla. I valori predittivi positivi e negativi riportati sono fortemente influenzati dalla prevalenza della malattia nella popolazione di studio e non possono essere considerati come aspettative fisse per l'uso clinico in altri contesti, come sottolineato anche dal quadro regolatorio statunitense per i dispositivi diagnostici per le malattie febbrili acute (Electronic Code of Federal Regulations).
La diagnosi precoce di queste infezioni resta complessa, poiché i sintomi iniziali sono spesso aspecifici e i test di conferma possono essere ritardati o non disponibili. Le linee guida cliniche, come quelle dei Centers for Disease Control and Prevention (CDC), raccomandano di scegliere il tipo di test (molecolare, antigenico o sierologico) in base ai giorni trascorsi dall'esordio dei sintomi: nei primi sette giorni si usano test molecolari (come RT-PCR) o antigenici NS1, spesso insieme a test IgM; dopo la prima settimana, la sierologia IgM diventa il test principale, ma un risultato negativo precoce non esclude l'infezione (Medical Economics). Uno studio pubblicato su PLOS Neglected Tropical Diseases conferma che la combinazione di test NS1 e IgM, somministrati nella fase appropriata della malattia, migliora l'affidabilità della diagnosi e sottolinea la necessità di accesso a entrambi i tipi di test soprattutto nei contesti umanitari e di assistenza primaria (PLOS Neglected Tropical Diseases).
Le normative federali statunitensi classificano i reagenti sierologici per Zika come dispositivi diagnostici in vitro destinati ad aiutare la diagnosi in persone con sintomi compatibili o fattori di rischio epidemiologico, ma specificano che tali test devono essere interpretati insieme ad altre informazioni cliniche e di laboratorio e non devono costituire l'unica base per decisioni terapeutiche o gestionali. Il regolamento (21 CFR §866.3935) stabilisce che "i risultati positivi devono essere interpretati considerando altre informazioni cliniche e di laboratorio e non devono essere utilizzati come unica base per il trattamento o altre decisioni di gestione del paziente" e che "risultati negativi ottenuti con questo test non escludono la possibilità di infezione da virus Zika, passata o presente" (FDA Electronic Code of Federal Regulations).
Questi principi regolatori si applicano anche ai sistemi di intelligenza artificiale che generano punteggi di rischio o classificazioni a partire da sintomi e dati clinici: anche un modello ad alte prestazioni richiede integrazione clinica, validazione esterna e supervisione appropriata prima di poter sostituire i test di conferma. La normativa per i dispositivi diagnostici per le malattie febbrili acute ribadisce che tali strumenti devono essere utilizzati in combinazione con dati clinici, epidemiologici e di laboratorio, inclusa la storia di viaggi e la presenza endemica dei patogeni.
Attualmente, la pratica diagnostica si basa sulla combinazione di valutazione clinica, tempistica dei sintomi, esposizione epidemiologica e test di laboratorio, piuttosto che sul solo quadro sintomatologico o su un output automatizzato. Il valore pratico di un modello di intelligenza artificiale dipende non solo dai parametri di accuratezza, ma anche dalla capacità di migliorare il percorso diagnostico senza aumentare il rischio di rassicurazione infondata o di errori di classificazione sindromica, particolarmente frequenti in aree dove dengue, chikungunya e Zika co-circolano e condividono vettori e sintomi iniziali.
Fonte: studio pubblicato su PLOS Digital Health, regolamenti FDA (Electronic Code of Federal Regulations), CDC e PLOS Neglected Tropical Diseases.
