Dr. Dana Mihaela TiliciAuthors
Inteligența artificială (IA) a devenit un instrument tot mai frecvent utilizat în medicina modernă, oferind soluții inovatoare, extinse și în domeniul endocrinologiei. Prin utilizarea algoritmilor avansați și a modelelor de învățare profundă („deep learning”), IA facilitează integrarea și analiza simultană a unor seturi complexe de date clinice, paraclinice și imagistice, contribuind la extragerea rapidă de informații relevante pentru managementul pacientului. De la markerii biologici la noile tehnici de imagistică medicală, IA ajută la identificarea unor tipare care ar putea trece neobservate, îmbunătățind procesul de diagnosticare. Astfel, integrarea tehnologiilor de inteligență artificială în practica endocrinologică promite îmbunătățirea atât a acurateței diagnosticului, cât și a standardelor de îngrijire ale pacienților.
Aplicații ale inteligenței artificiale în Endocrinologie
1. Diagnosticul automatizat al acromegaliei
Acromegalia este o afecțiune determinată de hipersecreția autonomă a hormonului de creștere, debutată la vârstă adultă, cu multiple complicaţii sistemice, care netratată scurtează durata de viaţă a pacienţilor. Un semn patognomonic al acestei afecțiuni este faciesul acromegaloid, caracterizat prin modificări faciale distinctive.
Diagnosticul precoce al acromegaliei este esențial pentru prevenirea complicațiilor cardiovasculare, metabolice și articulare asociate. În acest sens, IA oferă oportunități inovative pentru identificarea timpurie a semnelor faciale caracteristice.
Recent, Kizilgul et al. (2023) au descris un model de inteligență artificială bazat pe rețele neuronale convoluționale (CNN) pentru detectarea acromegaliei pe baza imaginilor faciale. Studiul a utilizat trei arhitecturi avansate de rețele neuronale: ResNet50, DenseNet121 și InceptionV3, iar modelul hibrid (Ensemble Model) a demonstrat o acuratețe de 99,7%, superioară metodelor convenționale de diagnostic. (1,2)
2. Evaluarea aspectului ecografic al formațiunilor tiroidiene
IA îmbunătățește diagnosticarea nodulilor tiroidieni prin utilizarea algoritmilor de învățare automată, care analizează imagini ecografice și evidențiază trăsături subtile ale nodulilor (formă, contur/margini, pattern-ul vascular). Un exemplu notabil este modelul AI-Thyroid, care utilizează rețele neuronale convoluționale, pentru a realiza diferențe notabile între nodulii benigni și maligni, având o valoare a ariei sub curba ROC (AUROC) de 0,939. (3–6)
Inteligența artificială, prin fuziunea datelor imagistice și clinice, facilitează stratificarea riscului de malignitate în cazul formațiunilor nodulare tiroidiene, susținând procesul decizional medical prin standardizarea interpretării și creșterea performanței diagnostice.
3. Predictibilitatea osteoporozei și implicit a riscului de fracturi
Osteoporoza este o afecțiune osoasă sistemică a scheletului, caracterizată prin masă osoasă scăzută și dezorganizare microarhitecturală, având drept consecință creșterea fragilității osoase și implicit a riscului de fractură.
Inteligența artificială (IA) joacă un rol din ce în ce mai important în diagnosticul și gestionarea osteoporozei, oferind instrumente eficiente și precise în identificarea și evaluarea riscului de fractură. Modelele generate de IA pot identifica pacienții cu risc ridicat, analizând densitatea minerală osoasă (BMD), parametrii biochimici și istoricul medical. Modelele de învățare automată aplicate pe imagini CT permit clasificarea automată a osteoporozei, îmbunătățind acuratețea diagnosticării și oferind posibilitatea unei monitorizări precise a progresiei bolii. (7)
În ceea ce privește riscul de fracturi, IA ajută la evaluarea acestuia prin integrarea diverselor date, incluzând istoricul medical al pacientului, caracteristicile imagistice și alte elemente medicale predispozante. Algoritmii permit identificarea pacienților cu risc înalt de fracturi, ghidând astfel deciziile terapeutice; utilizarea unui algoritm de tip „machine learning” aplicat datelor osteodensitometrice a îmbunătățit precizia predicției fracturilor osteoporotice cu 25% față de modelele standard FRAX. (8,9) De asemenea, IA a demonstrat capacitatea de a analiza radiografii dentare, un instrument mai accesibil și mai puțin costisitor, pentru a depista semnele de osteoporoză, chiar și în stadiile incipiente. (8,10,11)
În plus, IA contribuie la personalizarea tratamentului osteoporozei, optimizând terapiile bazate pe nevoile specifice ale fiecărui pacient. Modelele predictive pot monitoriza răspunsul la tratament și pot ajusta planurile terapeutice în funcție de evoluția densității minerale osoase, îmbunătățind astfel rezultatele pe termen lung și reducând riscul de fractură de fragilitate. Aceste progrese arată că IA nu doar că îmbunătățește diagnosticul și monitorizarea, dar poate transforma și abordările terapeutice în osteoporoză.
4. Monitorizarea diabetului zaharat
Diabetul zaharat reprezintă una dintre cele mai răspândite afecțiuni metabolice la nivel global. IA a fost utilizată pentru a îmbunătăți screening-ul, diagnosticul și gestionarea diabetului. IA este utilizată pentru analiza datelor din monitorizarea glicemică continuă (CGM), permițând ajustarea tratamentului în timp real. Un studiu recent a arătat că, algoritmii de tip „deep learning” pot anticipa episoadele de hipoglicemie cu o precizie de 92%, oferind pacienților avertizări și recomandări personalizate. (12,13)
De asemenea, algoritmii de învățare automată au fost utilizați pentru a prezice riscul de a avea un copil cu greutate mare pentru vârsta gestațională (LGA) la femeile cu diabet gestațional (GDM). Un studiu recent a demonstrat că, un model de IA bazat pe date de monitorizare continuă a glicemiei (CGM) poate prezice cu acuratețe probabilitatea nașterii unui copil LGA, facilitând intervenții personalizate pentru a reduce riscurile asociate. (14,15)
Aplicațiile bazate pe IA oferă pacienților feedback personalizat, motivație și memento-uri pentru a-și urma planurile de tratament, îmbunătățind astfel aderența și rezultatele terapeutice.
5. Evaluarea tulburărilor de creștere la copii
Inteligența artificială joacă un rol tot mai important în diagnosticarea și gestionarea tulburărilor de creștere la copii. Aceste afecțiuni pot fi cauzate de o varietate de factori, inclusiv dezechilibre hormonale, malnutriție sau tulburări genetice, iar diagnosticarea corectă poate fi adesea complexă. IA ajută la identificarea unor tipare subtile în datele clinice, cum ar fi ritmul de creștere, markerii hormonali și istoricul medical, pentru a diagnostica rapid și precis tulburările de creștere. De exemplu, algoritmii de învățare automată pot analiza datele din graficele de creștere pentru a detecta devieri de la dezvoltarea normală, iar modelele predictive pot ajuta la prognoza evoluției acestei afecțiuni. În plus, IA permite personalizarea tratamentelor, ajustându-le în funcție de răspunsul fiecărui copil, cum ar fi tratamentele cu hormoni de creștere sau terapiile pentru corectarea disfuncțiilor hormonale. Mai mult, IA poate fi folosită în monitorizarea continuă a pacienților, contribuind la ajustarea tratamentului. Astfel, integrarea IA în gestionarea tulburărilor de creștere poate îmbunătăți semnificativ precizia diagnosticării și eficiența tratamentului, asigurând o abordare personalizată și adaptată fiecărui pacient în parte. (16-18)
Limitări ale IA
Calitatea și acuratețea datelor: Modelele de IA necesită seturi de date extinse, de înaltă calitate și detaliate.
Reglementări și aspecte etice: Utilizarea IA în medicină ridică probleme privind protecția datelor și transparența deciziilor medicale.
Acceptarea clinică bidirecțională: Mulți medici rămân reticenți în fața adoptării IA în practica de zi cu zi. De reținut în acest context este faptul că, IA nu poate oferi empatia și nevoia de ascultare pe care le oferă medicul pacientului.
Perspective
În ciuda beneficiilor evidente, utilizarea IA în endocrinologie prezintă și provocări. Calitatea și cantitatea datelor disponibile influențează performanța algoritmilor, iar problemele legate de confidențialitatea și securitatea datelor rămân preocupări majore. De asemenea, este esențială o colaborare strânsă între medicii clinicieni și specialiștii IA pentru a asigura implementarea eficientă și etică a acestor noi tehnologii.
Bibliografie:
1. Kizilgul M, Karakis R, Dogan N, Bostan H, Yapici MM, Gul U, et al. Real-time detection of acromegaly from facial images with artificial intelligence. Eur J Endocrinol. 2023 Jan 1;188(1):158–65.
2. Burhan S, Zahit YM, Sokmen B, Tekin UD, Karaali Z, Niyazoglu M, et al. Diagnosing acromegaly using artificial intelligence. Endocrine Abstracts [Internet]. 2024 May 6 [cited 2025 Apr 4];99. Available from: www.endocrine-abstracts.org/ea/0099/ea0099ep353.
3. Toro-Tobon D, Loor-Torres R, Duran M, Fan JW, Ospina NS, Wu Y, et al. Artificial Intelligence in Thyroidology: A Narrative Review of the Current Applications, Associated Challenges, and Future Directions. Thyroid [Internet]. 2023 Aug 1 [cited 2025 Apr 2];33(8):903–17. Available from: www.liebertpub.com/doi/10.1089/thy.2023.0132.
4. Ha EJ, Lee JH, Lee DH, Moon J, Lee H, Kim YN, et al. Artificial Intelligence Model Assisting Thyroid Nodule Diagnosis and Management: A Multicenter Diagnostic Study. J Clin Endocrinol Metab [Internet]. 2024 Jan 18 [cited 2025 Apr 2];109(2):527–35. Available from: https://dx.doi.org/10.1210/clinem/dgad503.
5. Peng S, Liu Y, Lv W, Liu L, Zhou Q, Yang H, et al. Deep learning-based artificial intelligence model to assist thyroid nodule diagnosis and management: a multicentre diagnostic study. Lancet Digit Health [Internet]. 2021 Apr 1 [cited 2025 Apr 2];3(4):e250–9. Available from: www.thelancet.com/action/showFullText?pii=S2589750021000418.
6. Kim J, Kim MH, Lim DJ, Lee H, Lee JJ, Kwon HS, et al. Deep Learning Technology for Classification of Thyroid Nodules Using Multi-View Ultrasound Images: Potential Benefits and Challenges in Clinical Application. Endocrinology and Metabolism [Internet]. 2025 Jan 13 [cited 2025 Apr 2]; Available from: http://www.e-enm.org/journal/view.php?doi=10.3803/EnM.2024.2058.
7. Ong W, Liu RW, Makmur A, Low XZ, Sng WJ, Tan JH, et al. Artificial Intelligence Applications for Osteoporosis Classification Using Computed Tomography. Bioengineering [Internet]. 2023 Dec 1 [cited 2025 Apr 4];10(12):1364. Available from: https://pmc.ncbi.nlm.nih.gov/articles/PMC10741220/.
8. Ghasemi N, Rokhshad R, Zare Q, Shobeiri P, Schwendicke F. Artificial intelligence for osteoporosis detection on panoramic radiography: A systematic review and meta analysis. J Dent [Internet]. 2025 May 1 [cited 2025 Apr 4];156:105650. Available from: http://www.ncbi.nlm.nih.gov/pubmed/40010536.
9. Dimai HP. New Horizons: Artificial Intelligence Tools for Managing Osteoporosis. J Clin Endocrinol Metab [Internet]. 2022 Apr 1 [cited 2025 Apr 4];108(4):775. Available from: https://pmc.ncbi.nlm.nih.gov/articles/PMC9999362/.
10. Shen L, Gao C, Hu S, Kang D, Zhang Z, Xia D, et al. Using Artificial Intelligence to Diagnose Osteoporotic Vertebral Fractures on Plain Radiographs. Journal of Bone and Mineral Research [Internet]. 2023 Sep 1 [cited 2025 Apr 2];38(9):1278–87. Available from: https://dx.doi.org/10.1002/jbmr.4879.
11. Hong N, Whittier DE, Glüer CC, Leslie WD. The potential role for artificial intelligence in fracture risk prediction. Lancet Diabetes Endocrinol [Internet]. 2024 Aug 1 [cited 2025 Apr 4];12(8):596–600. Available from: www.thelancet.com/action/showFullText?pii=S2213858724001530.
12. Rghioui A, Lloret J, Oumnad A. The Role of Artificial Intelligence in Diabetes Management. 2022 [cited 2025 Apr 9];243–57. Available from: https://link.springer.com/chapter/10.1007/978-3-030-99728-1_12.
13. Khalifa M, Albadawy M. Artificial intelligence for diabetes: Enhancing prevention, diagnosis, and effective management. Computer Methods and Programs in Biomedicine Update. 2024 Jan 1;5:100141.
14. Guan Z, Li H, Liu R, Cai C, Liu Y, Li J, et al. Artificial intelligence in diabetes management: Advancements, opportunities, and challenges. Cell Rep Med [Internet]. 2023 Oct 17 [cited 2025 Apr 2];4(10). Available from: www.cell.com/action/showFullText?pii=S2666379123003804.
15. Oikonomakos IT, Anjana RM, Mohan V, Steenblock C, Bornstein SR. Recent advances in artificial intelligence-assisted endocrinology and diabetes. Exploration of Endocrine and Metabolic Disease. 2024 Apr 1;1(1):16–26.
16. Shu K, Wang K, Zhang R, Wang C, Cai Z, Liu K, et al. Pituitary MRI Radiomics Improves Diagnostic Performance of Growth Hormone Deficiency in Children Short Stature: A Multicenter Radiomics Study. Acad Radiol. 2024 Sep 1;31(9):3783–92.
17. Rodriguez-Marin M, Orozco-Alatorre LG. Advancing Pediatric Growth Assessment with Machine Learning: Overcoming Challenges in Early Diagnosis and Monitoring. Children 2025, Vol 12, Page 317 [Internet]. 2025 Feb 28 [cited 2025 Apr 2];12(3):317. Available from: www.mdpi.com/2227-9067/12/3/317/htm.
18. Awasthi R, Ramachandran SP, Mishra S, Mahapatra D, Arshad H, Atreja A, et al. Artificial Intelligence in Healthcare: 2024 Year in Review [Internet]. 2025. Available from: http://medrxiv.org/lookup/doi/10.1101/2025.02.26.25322978.
