Acalasia e intelligenza artificiale
Dal computer che legge la manometria ai chatbot: cosa sa fare l’IA (o SI) per chi ha l’acalasia, e cosa no
L’acalasia esofagea è una malattia rara, e le malattie rare hanno un problema in comune: pochi esperti, molti esami da interpretare, diagnosi che arrivano tardi. Per questo l’intelligenza artificiale è entrata anche nella ricerca sull’acalasia. Nel 2024 avevo contato sei studi; oggi, nella tabella qui sotto, ne trovi undici. Dopo oltre vent’anni con l’acalasia ti dico subito da che parte sto: mi interessa tutto ciò che aiuta a diagnosticare prima e meglio, e diffido di tutto ciò che promette di fare a meno di una persona che ti ascolta.
Legge gli esami
Manometria e FLIP producono immagini e curve: i modelli imparano a classificarle come farebbe un esperto.
Aiuta a vedere
Sulla gastroscopia, dove l’acalasia non ha una lesione evidente, un sistema può fare da seconda paia di occhi.
Risponde (a volte male)
I chatbot rispondono ai pazienti. Spesso bene, a volte in modo vago: e qui la vaghezza può costare cara.
Le parole: IA, SI, machine learning, chatbot
Dietro la sigla c’è una famiglia di strumenti molto diversi tra loro. Per l’acalasia ne contano soprattutto tre:
- Machine learning e reti neurali (deep learning): programmi che imparano da migliaia di esempi già classificati dagli esperti. Se la cavano bene con le immagini: la manometria, per esempio, produce una mappa a colori delle pressioni, e una rete neurale può imparare a riconoscerne gli schemi.
- Sistemi multimodali: mettono insieme dati di natura diversa (per esempio la gastroscopia e i tracciati della FLIP) per arrivare a un’unica valutazione.
- Modelli linguistici (LLM, i «chatbot»): producono testo. Non leggono il tuo esame: rispondono alle domande.
Negli studi sugli esami, il meccanismo è sempre lo stesso: il modello legge i dati e propone un’interpretazione; poi decide una persona.
Leggere gli esami: manometria e FLIP
La manometria ad alta risoluzione (HRM) dice che tipo di acalasia hai, secondo la classificazione di Chicago, ma va interpretata: ogni deglutizione è un’immagine da classificare e persone diverse possono leggerla in modo diverso. Nel 2022 il gruppo della Northwestern University (Chicago) ha sviluppato un modello a più stadi che imita i passaggi dell’algoritmo di Chicago a partire dai dati grezzi di molte deglutizioni; gli autori lo descrivono come il primo modello di questo tipo a prevedere la diagnosi di Chicago, con alta accuratezza.[4] Nello stesso anno un gruppo romeno ha addestrato una rete neurale (Inception V3) su 1.570 immagini di deglutizioni con acqua, ottenendo una precisione complessiva superiore al 93%.[5]
La FLIP si fa durante la gastroscopia e misura come l’esofago risponde alla distensione. Nel 2023 la Northwestern ha addestrato una rete neurale su 678 pazienti consecutivi e 35 controlli senza sintomi, che avevano fatto sia la FLIP sia la manometria. Nel gruppo di test, tra i 28 pazienti con acalasia secondo la manometria nessuno è stato classificato come «normale» e il 93% è stato riconosciuto come acalasia. Gli autori concludono che la piattaforma interpreta in modo accurato rispetto agli esperti, ma i dati vengono da un solo centro.[6] Nel 2026 un altro studio ha addestrato un modello di machine learning su 105 esami provenienti da cinque centri tra Europa e America, per classificare i tracciati secondo il Consenso di Dallas, cioè le regole standard per la FLIP definite da 19 esperti con un processo Delphi modificato.[7][8]
Guardare dentro: gastroscopia ed EsoEinstein
La gastroscopia (EGDS) ha un limite noto: nell’acalasia non c’è una lesione da cerchiare. I sistemi di «rilevamento assistito dal computer» funzionano riconoscendo alterazioni della mucosa, e qui non bastano, come osserva un editoriale su Digestive Endoscopy.[3] Nel 2025 Shiwaku e colleghi hanno percorso un’altra strada: un sistema che affianca l’endoscopista mentre guarda i video della gastroscopia.[2] Secondo l’editoriale, la sensibilità degli endoscopisti poco esperti è salita dal 66,9% al 91,9% con il supporto del sistema, quella degli esperti dal 79,5% al 90,8%.[3]
Gli stessi commentatori invitano alla prudenza: nel campione la metà dei casi aveva l’acalasia (nella pratica reale è molto meno), i video erano selezionati e registrati da un solo esperto, e non tutti i casi senza acalasia avevano la conferma con la manometria. Segnalano anche il rischio di automation bias: fidarsi troppo del suggerimento della macchina anche quando sbaglia.[3]
Oltre la diagnosi: suoni, interventi e cartelle cliniche
- I suoni della deglutizione (Iran, 2024). Chi ha l’acalasia emette suoni diversi da chi sta bene quando deglutisce. Un modello a rete neurale a due strati ha stimato con elevata accuratezza la pressione di rilassamento integrata (IRP), il numero con cui la manometria valuta quanto si apre lo sfintere: potrebbe, in prospettiva, evitare un esame invasivo. Ma è stato provato su 5 pazienti.[10]
- Le fasi dell’intervento (USA, 2021). La visione artificiale sapeva già riconoscere le fasi di un’operazione laparoscopica come l’Heller-Dor. È stata applicata ai video endoscopici della POEM: con ulteriori perfezionamenti potrebbe sostenere le decisioni durante l’intervento e prevedere il rischio dopo.[11]
- Le diagnosi mancate (Giappone, 2019). Qui l’IA non legge un esame: cerca nelle cartelle cliniche chi è rimasto senza diagnosi. Su 489.823 visite ospedaliere il programma ha segnalato 17.814 persone con diagnosi sospette; 526 avevano fatto una gastroscopia ma non l’esofagogramma con bario; 39 avevano ancora sintomi dopo oltre 6 mesi; 16 hanno accettato il test con bario e in una è stata confermata un’ostruzione del deflusso della giunzione esofago-gastrica (EGJOO, che comprende l’acalasia).[12] Un imbuto lunghissimo. Ma per la persona che era quell’uno, il numero non era piccolo.
E le chat? I modelli linguistici che rispondono ai pazienti
Nel frattempo molte persone la loro «IA» ce l’hanno già in tasca: scrivono le domande a un chatbot. A settembre 2026 Frontiers in Public Health ha pubblicato uno studio cinese che ha messo alla prova sei modelli (ChatGPT 5.5, Claude Opus 4.7, DeepSeek V4 Pro, Gemini 3.1 Pro Thinking, Grok-4.3, Qwen3-Max) con 40 domande da paziente sull’acalasia: 240 risposte valutate da tre gastroenterologi.[13]
Il quadro è sfumato. Le risposte erano in generale accurate e spesso utili, ma 27 su 240 (11,3%) sono state giudicate potenzialmente non sicure, in tutti i modelli (dal 7,5% al 15%, senza differenze significative tra loro). Gli autori sottolineano che i problemi non erano tanto errori clamorosi quanto consigli vaghi, scarse indicazioni su quando rivolgersi a un medico e confronti troppo semplificati tra i trattamenti: 13 delle 27 risposte a rischio riguardavano proprio la scelta della terapia. L’empatia variava molto da un modello all’altro, la trasparenza sulle fonti era bassa e il linguaggio richiedeva in media un livello di lettura universitario.[13]
Gli studi in un colpo d’occhio
| Anno | Studio | Cosa fa l’IA | Risultato riportato |
|---|---|---|---|
| 2019 | Ishii e coll.[12] | Cerca nelle cartelle cliniche i pazienti non diagnosticati | 1 caso confermato su 16 testati |
| 2021 | Ward e coll.[11] | Riconosce le fasi dell’intervento nei video della POEM | Potenziale supporto alle decisioni in sala |
| 2022 | Kou e coll.[4] | Legge la manometria (Chicago) dai dati grezzi | Alta accuratezza, primo modello di questo tipo |
| 2022 | Popa e coll.[5] | Classifica le immagini di manometria | Precisione oltre il 93% |
| 2023 | Kou e coll.[6] | Interpreta la FLIP | Nessuna acalasia classificata «normale»; 93% riconosciute (28 pazienti, un centro) |
| 2024 | Lankarani e coll.[10] | Stima l’IRP dai suoni della deglutizione | Elevata accuratezza, solo 5 pazienti |
| 2024 | Fass e coll.[9] | Revisione su manometria e FLIP | Servono ulteriori studi |
| 2025 | Shiwaku e coll.[2][3] | Supporta l’endoscopista sui video della gastroscopia | Sensibilità: 66,9% → 91,9% (inesperti), 79,5% → 90,8% (esperti) |
| 2026 | Mascarenhas e coll.[7] | Classifica la FLIP secondo il Consenso di Dallas | Classificazione accurata su 105 esami di cinque centri |
| 2026 | Kaklamanos e coll. (EsoEinstein)[1] | Integra EGDS e FLIP | Test su 68 pazienti: multimodale sensibilità 93,1%, specificità 84,6%; senza differenze significative tra i modelli |
| 2026 | Li e coll.[13] | Sei chatbot rispondono a 40 domande dei pazienti | 11,3% di risposte potenzialmente non sicure |
Sono gli studi che conosco: l’elenco non è certamente completo.
Cosa non può fare (ancora)
- Numeri piccoli, centri singoli. I suoni della deglutizione sono stati provati su 5 pazienti, la FLIP del 2023 viene da un solo centro, il lavoro sulla FLIP del 2026 su 105 esami e l’EsoEinstein è stato testato su 68 pazienti di un unico centro.
- Dati «puliti» e malattia troppo frequente. Nello studio sulla gastroscopia, metà dei casi aveva l’acalasia e i video erano selezionati: la vita reale è più disordinata e l’acalasia è rara.[3]
- Si misura la concordanza con gli esperti, non gli esiti. Negli studi raccolti qui il confronto è con chi interpreta gli esami, non con quanto stanno meglio le persone.
- Fidarsi troppo. L’automation bias riguarda anche i clinici: un suggerimento sbagliato ma sicuro di sé può convincere.[3]
- I chatbot non sostituiscono la visita. Rischi di indicazioni vaghe, poche fonti e testi difficili da leggere.[13]
Cosa farne, da paziente
- Chiedi come è stato letto il tuo esame: da uno specialista, con un software di supporto, o entrambi. È una domanda legittima, non una sfida.
- Ricorda chi firma. Negli studi gli strumenti sono sempre «supporto alla decisione»: il referto lo firma una persona.[6]
- Usa i chatbot per preparare le domande, non per scegliere la terapia. È proprio sulla scelta del trattamento che lo studio ha trovato più risposte a rischio.[13]
- Non aspettare un algoritmo per farti ascoltare. Se hai disfagia che peggiora, calo di peso, dolore toracico o sintomi che non passano dopo un trattamento, la strada resta la visita dallo specialista.
- Kaklamanos E, Kristinsdottir K, Soni P, Melnick D, Kou W, Keswani RN, Carlson D, Etemadi M, Pandolfino JE. EsoEinstein: A Multimodal AI System Integrating EGD and FLIP for Esophageal Motility Assessment. Clin Gastroenterol Hepatol. 2026 Oct 17:S1542-3565(26)00775-5. Epub ahead of print. doi: 10.1016/j.cgh.2026.09.051. PMID: 42892386.
- Shiwaku H, Misawa M, Inoue H, et al. Computer-aided detection for esophageal achalasia (with video). Dig Endosc. 2025;37:851-861. doi: 10.1111/den.15028. Citato attraverso l’editoriale [3].
- Muwanwella N, Ragunath K. The promise and challenges of CAD-assisted diagnosis in achalasia (editoriale). Dig Endosc. 2025. doi: 10.1111/den.15076. PMC12511902.
- Kou W, Carlson DA, Baumann AJ, et al. A multi-stage machine learning model on diagnosis of esophageal manometry. Artif Intell Med. 2022;124:102233. doi: 10.1016/j.artmed.2021.102233.
- Popa SL, Surdea-Blaga T, Dumitrascu DL, et al. Automatic Diagnosis of High-Resolution Esophageal Manometry Using Artificial Intelligence. J Gastrointestin Liver Dis. 2022;31(4):383-389. doi: 10.15403/jgld-4525.
- Kou W, Soni P, Klug MW, et al. An artificial intelligence platform provides an accurate interpretation of esophageal motility from Functional Lumen Imaging Probe Panometry studies. Neurogastroenterol Motil. 2023;35(7):e14549. doi: 10.1111/nmo.14549.
- Mascarenhas M, Mendes F, Cordeiro JR, et al. Artificial Intelligence and FLIP Panometry: Automated Classification of Esophageal Motility Patterns. J Clin Med. 2026;15(1):401. doi: 10.3390/jcm15010401. PMID: 41517650.
- Carlson DA, Pandolfino JE, Yadlapati R, Vela MF, et al. A Standardized Approach to Performing and Interpreting Functional Lumen Imaging Probe Panometry for Esophageal Motility Disorders: The Dallas Consensus. Gastroenterology. Vol. 168:1114-1127.
- Fass O, et al. Artificial Intelligence Tools for Improving Manometric Diagnosis of Esophageal Dysmotility. Curr Gastroenterol Rep. 2024;26(4):115-123. doi: 10.1007/s11894-024-00921-z.
- Lankarani KB, et al. Comparison of measurement of integrated relaxation pressure by esophageal manometry with analysis of swallowing sounds with artificial intelligence in patients with achalasia. Neurogastroenterol Motil. 2024; e14931. doi: 10.1111/nmo.14931.
- Ward TM, et al. Automated operative phase identification in peroral endoscopic myotomy. Surg Endosc. 2021;35(7):4008-4015. doi: 10.1007/s00464-020-07833-9.
- Ishii T, et al. Application of Large Electronic Medical Database for Detecting Undiagnosed Patients in the General Population. Tohoku J Exp Med. 2019;249(2):113-119. doi: 10.1620/tjem.249.113.
- Li J, Zhou P, Yang M, Yang K, Ren L, Qi J, Ouyang H. Public-facing health information on achalasia generated by large language models: a multidimensional comparative study. Front Public Health. 2026;14:1962232. doi: 10.3389/fpubh.2026.1962232. PMID: 42812281.
- The White House. Executive Order 14434, «Inaugurating the Era of Super Intelligence», 29 settembre 2026. whitehouse.gov.
Per diversi lavori ho letto solo il riassunto o una sintesi: per la gastroscopia assistita [2] mi baso sull’editoriale [3], e per l’EsoEinstein [1] sul riassunto (il testo completo è disponibile solo in PDF). L’EsoEinstein è un articolo in corso di stampa: i dettagli potrebbero cambiare nella versione definitiva.