Test internazionale e perfezionamento di algoritmi di IA per prevedere i sottotipi di leucemia acuta da dati di laboratorio di routine

Perché è importante per i pazienti ovunque

Per molte persone con leucemia acuta, il conto alla rovescia inizia molto prima che possano vedere uno specialista. In aree del mondo dove gli esami avanzati sono scarsi o lenti, stabilire che tipo di leucemia ha un paziente può richiedere giorni—tempo che potrebbero non avere. Questo studio valuta se un programma di intelligenza artificiale (IA), utilizzando soltanto gli esami del sangue di routine che quasi tutti gli ospedali già eseguono, possa suggerire rapidamente il sottotipo di leucemia probabile e aiutare i medici ad agire più in fretta, soprattutto in contesti con risorse limitate.

Trasformare gli esami del sangue quotidiani in un allarme precoce

I ricercatori hanno raccolto i dati di 6206 pazienti con leucemia acuta trattati in 20 centri di 16 paesi, coprendo tutti i continenti abitati e una vasta gamma di livelli di reddito. Invece di affidarsi a esami specialistici o test genetici, hanno fornito a un modello di IA già esistente le misure di laboratorio standard rilevate alla diagnosi, come l’emocromocitometria, i parametri della coagulazione e i risultati di biochimica di base. L’obiettivo era verificare se uno strumento sviluppato inizialmente su dati francesi fosse in grado di riconoscere tre grandi tipi di leucemia—leucemia mieloide acuta (LMA), leucemia promielocitica acuta (LPA) e leucemia linfoblastica acuta (LLA)—in ospedali, popolazioni e fasce di età molto diverse.

Segnali forti, ma disuguaglianze su chi ne beneficia

Applicato in modo esteso agli adulti, il modello di IA ha mostrato buone prestazioni complessive: è risultato particolarmente accurato per LMA e LPA, due forme in cui il riconoscimento precoce può influire fortemente sulla sopravvivenza. Tuttavia, la versione originale includeva una rigida regola interna di “confidenza” che riportava un risultato solo quando il modello era molto sicuro. Questo migliorava apparentemente i numeri sui documenti, ma significava anche che nella pratica oltre il 90% dei pazienti non avrebbe ricevuto alcun suggerimento dall’IA. Anche senza quella regola, le prestazioni variavano ampiamente tra centri e tipi di leucemia, riflettendo differenze nelle età dei pazienti, nei pattern locali di malattia e perfino nelle apparecchiature di laboratorio utilizzate.

Insegnare al sistema a gestire dati reali e disomogenei

Per rendere lo strumento più utile nella pratica quotidiana, il gruppo si è concentrato sui motivi dei suoi errori. Hanno confrontato i modelli sottostanti degli esami del sangue nei pazienti correttamente e scorrettamente classificati e hanno usato metodi statistici di spiegazione per capire quali misure fossero più rilevanti. Alcuni marcatori della coagulazione e proprietà dei globuli rossi risultarono particolarmente importanti per distinguere la LPA dagli altri tipi, mentre i profili dei globuli bianchi aiutarono a separare la LMA dalla LLA. I ricercatori hanno quindi aggiunto una nuova fase di pre-elaborazione che individua i pazienti “outlier” i cui risultati di laboratorio appaiono molto diversi da quelli visti in precedenza dall’IA. Combinando due filtri di questo tipo e rimuovendo solo una frazione modesta dei casi, hanno aumentato l’accuratezza per i gruppi difficili—in particolare per i pazienti che prima rientravano sotto la soglia di confidenza del modello—pur mantenendo le predizioni disponibili per la maggior parte delle persone.

Adattare l’IA ai bambini, non solo agli adulti

I bambini con leucemia spesso mostrano pattern di laboratorio diversi rispetto agli adulti, e questo si è rivelato molto rilevante. Quando l’IA addestrata sugli adulti è stata applicata a 1746 pazienti pediatrici, le prestazioni sono diminuite, soprattutto per la LMA. Il gruppo ha dimostrato che valori ematici chiave, come fattori della coagulazione e conteggi cellulari, seguivano intervalli distinti nei pazienti più giovani. Invece di accettare risultati peggiori, hanno riaddestrato l’IA specificamente sui dati pediatrici, migliorando nettamente la capacità di riconoscere la LLA e la LMA infantili, mantenendo al contempo buoni risultati per i più rari casi pediatrici di LPA. Questo sottolinea un’importante lezione: i sistemi di IA destinati a supportare la diagnosi devono essere tarati sulle popolazioni che intendono servire.

Verso cure per la leucemia più veloci e più eque

Gli autori sottolineano che questo strumento di IA non sostituisce le procedure di riferimento—esame microscopico, citometria a flusso e test genetici—su cui i medici si basano per confermare il tipo di leucemia e scegliere terapie precise. Offre invece un modo per segnalare rapidamente i sottotipi di leucemia probabili utilizzando esami di laboratorio già ampiamente disponibili, anche in molti paesi a basso e medio reddito. Raffinando il modello per gestire ospedali diversi, filtrando predizioni inaffidabili e creando una versione pediatrica, lo studio mostra come l’IA potrebbe contribuire a ridurre il tempo per l’accesso a cure specialistiche e trattamenti salvavita. Il lavoro pone le basi per futuri trial che valutino se tale supporto decisionale può effettivamente ridurre i decessi precoci, avvicinando i benefici delle cure moderne per la leucemia ai pazienti, indipendentemente dal luogo in cui vivono.

Citazione: Turki, A.T., Fan, Y., Hernández-Sánchez, A. et al. International testing and refinement of AI algorithms predicting acute leukemia subtypes from routine laboratory data. Nat Commun 17, 2649 (2026). https://doi.org/10.1038/s41467-026-70584-z

Parole chiave: leucemia acuta, intelligenza artificiale, supporto diagnostico, equità sanitaria, esami di laboratorio