AI clinical documentation system: dalla refertazione assistita alla valutazione della qualità

La sorveglianza sanitaria dei lavoratori include esami strumentali fondamentali come l’audiometria e la spirometria, la cui corretta interpretazione richiede competenze specialistiche e comporta un rilevante carico per il medico competente, con il rischio concreto di variabilità interpretativa tra professionisti. L’ipoacusia da rumore rappresenta la malattia professionale più diffusa negli ambienti di lavoro, mentre le alterazioni della funzionalità respiratoria costituiscono un indicatore sensibile dell’esposizione a rischi occupazionali.

In questo contesto, l’Intelligenza Artificiale offre strumenti concreti per migliorare qualità, consistenza e standardizzazione della refertazione clinica in ambito occupazionale.
Nel lavoro in oggetto sono stati costruiti due dataset a partire da dati clinici reali anonimizzati: circa 37.000 esami audiometrici e 51.000 spirometrici, corredati da informazioni cliniche per paziente. A seguito di una fase di pre-processing, che ha incluso interpolazione dei valori mancanti, normalizzazione e oversampling sintetico delle classi minoritarie, sono stati addestrati modelli con architettura a cascata: un classificatore binario (normale/patologico) seguito da un sistema multiclasse per la stratificazione della condizione clinica. Sono state sperimentate reti Multi-Layer Perceptron e, per le audiometrie, un’architettura Transformer con self-attention multi-head su dati tabellari.

I risultati mostrano performance elevate: F1-score ponderato di 0.95 nella classificazione binaria delle audiometrie e 0.92 nella multiclasse; 0.94 per la classificazione binaria delle spirometrie.
È stato inoltre sviluppato un sistema di quality scoring delle curve spirometriche basato sui criteri ATS/ERS, con rilevazione automatica di artefatti, verifica del plateau e feedback strutturato sull’aderenza alle best practice di acquisizione. I sistemi sono concepiti in logica Human-in-the-Loop: l’AI propone una classificazione strutturata, mentre il medico mantiene piena responsabilità decisionale. Il lavoro apre riflessioni rilevanti sul dominio tecnologico e sull’importanza della standardizzazione dei dati clinici come prerequisito per un’AI affidabile ed eticamente sostenibile, integrata nei processi clinici.