Un modello di intelligenza artificiale sviluppato da Penn Medicine può estrarre dalle TAC informazioni sanitarie diverse dal motivo per cui l’esame era stato richiesto. Percival riconosce schemi collegati a malattie già presenti e a rischi futuri. I risultati sono pubblicati su NPJ Digital Medicine, ma il sistema resta in valutazione preclinica e non sostituisce il radiologo.
Il modello è stato costruito usando il Penn Medicine BioBank, che raccoglie informazioni di oltre 350.000 persone seguite nell’arco di due decenni. Per l’addestramento sono state utilizzate circa 400.000 TAC appartenenti a circa 50.000 pazienti, collegate a dati di laboratorio, caratteristiche fisiologiche ed esiti clinici.
L’obiettivo è rendere più utile ogni esame già eseguito. Una TAC ordinata per valutare una polmonite, per esempio, contiene anche immagini di organi e tessuti che possono mostrare segnali precoci di altri problemi. Questo approccio viene chiamato screening opportunistico e punta a evidenziare rischi senza sottoporre il paziente a una nuova esposizione.
Nei test, Percival ha riconosciuto tracce associate a fibrillazione atriale e malattia renale cronica. Nel confronto con TotalSegmentator, un altro modello di analisi, ha segnalato con maggiore affidabilità condizioni come tumore del pancreas, cirrosi e polmonite batterica. La prestazione varia comunque per malattia, popolazione e qualità delle immagini.
Il sistema non formula da solo una diagnosi definitiva. Un segnale deve essere verificato con valutazione clinica, esami mirati e anamnesi. L’uso improprio potrebbe generare falsi allarmi o rassicurazioni infondate. Prima dell’impiego ordinario servono validazioni prospettiche, controllo delle differenze tra ospedali e procedure per gestire i risultati inattesi.
I ricercatori sperano di avviare una prima sperimentazione clinica nel 2027. Stanno anche studiando modelli più grandi e dati provenienti da più istituzioni, perché un algoritmo addestrato in un solo sistema sanitario può perdere precisione quando incontra apparecchiature, protocolli o popolazioni diverse.
Codice e specifiche di addestramento sono stati messi a disposizione in modalità open source. La scelta consente ad altri gruppi di verificare il metodo, riprodurre i test e misurare eventuali distorsioni. Non significa però che qualunque ospedale possa usare subito Percival per prendere decisioni cliniche senza una propria validazione e senza autorizzazioni.
Il valore potenziale è trasformare la TAC da fotografia mirata a base informativa più ampia per una medicina preventiva e personalizzata. Il limite attuale è altrettanto importante: lo studio dimostra capacità analitiche su dati esistenti, non un miglioramento già provato della sopravvivenza o degli esiti dei pazienti. Saranno i test clinici a stabilirlo.
Percival è stato addestrato e valutato usando il Penn BioBank, una risorsa che comprende oltre 350 mila persone e circa 400 mila TAC provenienti da quasi 50 mila pazienti. La scala permette di cercare segnali distribuiti in molti organi, ma la provenienza dei dati rende indispensabile verificare il modello in ospedali e popolazioni differenti.
Il confronto con TotalSegmentator suggerisce prestazioni migliori per alcune condizioni, tra cui tumore del pancreas, cirrosi e polmonite batterica. Sono risultati di ricerca e non autorizzano diagnosi automatiche. Il gruppo punta a test clinici nel 2027; prima dell’uso serviranno validazione prospettica, supervisione medica, gestione degli errori e valutazioni regolatorie.