Metodi di e-Learning e supporto decisionale per la diagnostica ecografica del tumore ovarico = e-Learning and decision support methods for ultrasound diagnostic of ovarian cancer

Il tumore ovarico è la principale causa di morte tra le patologie ginecologiche, ed è tipicamente noto come “il Killer Silenzioso” per la sua natura asintomatica nei primi stadi della malattia. L’ecografia transvaginale rappresenta nella pratica clinica il sistema di riferimento nell’identificazione precoce del tumore ovarico nelle donne asintomatiche, essendo la tecnica di imaging medica maggiormente informativa tra quelle disponibili, ma è in larga misura operatore-dipendente e richiede decine di anni di esperienza per raggiungere le competenze adeguate. Inoltre, dopo l’identificazione della presenza di una cisti, è fondamentale valutarne la benignità o malignità con un esame istologico, in quanto tale valutazione avrà un impatto decisivo nella prognosi della malattia. Tuttavia, l’analisi istologica può essere eseguita solo a seguito di intervento chirurgico. Per tale ragione, diventa fondamentale fornire agli ecografisti e ginecologi la giusta formazione affinchè siano in grado di prevedere il tipo di istologico direttamente dall’analisi ecografica. L’obiettivo di questa tesi è proporre una piattaforma di apprendimento digitale e asincrono per i medici inesperti, progettata per educare al corretto flusso decisionale nella valutazione ecografica di casi clinici proponendone la simulazione. All’interno della piattaforma, allo studente viene proposto un set di casi clinici. Ogni caso clinico è affiancato da un percorso decisionale ottimizzato e approvato da medici esperti, con lo scopo di accompagnare il medico nella valutazione ecografica. Tale percorso propone una serie di domande binarie riguardanti la morfologia della cisti ovarica che si sta analizzando, rispondendo alle quali il medico si vedrà accompagnato verso la diagnosi corretta, con la segnalazione di eventuali errori commessi. Il progetto di tesi ha coinvolto una fase iniziale di revisione della letteratura medica sul cancro ovarico, allo scopo di realizzare una tassonomia schematica riguardante gli istotipi specifici, le caratteristiche morfologiche, e le relazioni tra essi. La tipologia di organizzazione dei dati è stata sperimentata tramite algoritmi e modelli differenti, quali: un Albero Decisionale affiancato da un Algoritmo di Clustering Gerarchico, un Grafo Deterministico e un Grafo Probabilistico ispirato alle Reti Bayesiane. La struttura scelta è stata successivamente adottata per proporre agli studenti un flusso decisionale completo, basato sulle risposte alle domande poste, portando al corretto istotipo durante la simulazione del processo di diagnosi. I risultati si sono ottenuti durante degli eventi di formazione, chiamati "Academy", tenuti periodicamente da medici esperti per insegnare ai medici principianti. Per lo scopo, agli utenti è stata proposta un’interfaccia web dedicata sviluppata durante il progetto. Sia gli studenti che i medici esperti hanno apprezzato lo strumento come effettivo supporto innovativo all’apprendimento, manifestando sia i punti di forza che quelli di miglioramento, che potranno portare a stabilire un nuovo standard per la formazione nella diagnostica ecografica del tumore ovarico.