Quando i dati clinici disponibili non bastano per leggere con stabilità un fenomeno complesso, l’intelligenza artificiale può diventare uno strumento di supporto alla ricerca, a condizione che non perda mai il legame con la realtà misurata. È questa la prospettiva da cui parte uno studio pubblicato su European Spine Journal e indicizzato su PubMed, dedicato all’uso di un metodo computazionale assistito dall’IA per ampliare l’analisi di un piccolo campione clinico e verificare con maggiore solidità alcune correlazioni anatomiche della colonna vertebrale.
Lo studio nasce dal lavoro di un gruppo di ricerca dell’IRCCS Ospedale Galeazzi-Sant’Ambrogio di Milano, composto da Domenico Compagnone, Riccardo Cecchinato, Pedro Berjano e Claudio Lamartina. Alla parte metodologica e computazionale hanno contribuito Marco Giacalone, della LUMSA Santa Silvia di Palermo, e Davide Lamartina, di Milano.
La ricerca
Si concentra sull’allineamento spinopelvico nei soggetti asintomatici, un elemento fondamentale per comprendere l’equilibrio sagittale fisiologico e definire valori di riferimento utili nella valutazione delle deformità spinali. Il tema presenta però un limite concreto: raccogliere grandi quantità di dati su persone sane non risulta semplice, soprattutto quando lo studio richiede esami radiografici. I vincoli etici, logistici e legati all’esposizione alle radiazioni riducono la possibilità di ampliare il campione soltanto per esigenze di ricerca. Da qui nasce l’interesse per un approccio capace di usare i dati disponibili in modo più esteso, senza trasformare i dati sintetici in un sostituto dei dati reali.
Il gruppo di ricerca ha lavorato su 123 soggetti asintomatici reali e, a partire da quel campione, ha costruito un dataset sintetico di 10.000 configurazioni anatomiche biologicamente plausibili. L’ampliamento non ha avuto lo scopo di produrre una realtà parallela, ma di rendere più stabile l’analisi statistica di alcune relazioni spinopelviche. Il passaggio decisivo arriva dopo la generazione del dataset: le correlazioni emerse nel campione ampliato sono tornate sui dati reali, attraverso procedure statistiche indipendenti, per verificare se trovassero conferma nei 123 soggetti originari.
In questo senso, lo studio offre un esempio concreto di intelligenza artificiale applicata con metodo: non una tecnologia chiamata a sostituire il dato clinico, ma uno strumento che aiuta a generare ipotesi, a esplorare relazioni complesse e a sottoporre i risultati a un controllo successivo. Il valore del lavoro non sta soltanto nella costruzione del dataset sintetico, ma nella scelta di mantenere il campione reale come punto di ritorno e di validazione. Proprio questo passaggio consente di ridurre il rischio che le correlazioni dipendano dal caso, dalla limitata numerosità iniziale o da un’elaborazione computazionale non sufficientemente ancorata alla plausibilità biologica.
