Durante e dopo la pandemia abbiamo dovuto affrontare diverse sfide che hanno messo in discussione, in molti casi, i nostri modi abituali di vivere. Tra i cambiamenti più radicali troviamo quelli che hanno toccato la sanità pubblica, che ha dovuto far fronte a diverse fragilità messe in luce dallo stato di emergenza. Tuttavia, questo ha anche comportato dei risvolti positivi, tra cui una notevole accelerazione per quanto riguarda la trasformazione verso una sanità più tecnologica e digitalizzata.
Stiamo parlando della cosiddetta “Digital Healthcare”, ovvero, di tutte quelle tecnologie che comprendono applicazioni mobili, dispositivi indossabili, intelligenza artificiale, robotica, che vengono impiegati sia nella cura del paziente che nella raccolta di informazioni legate al suo stato di salute, ma anche per il training del personale sanitario.
In questo articolo ci concentreremo sull’uso dell’eye-tracker e su alcune delle sue possibili applicazioni in ambito medico. Il tracciamento oculare rappresenta infatti un efficace strumento di valutazione visiva che può integrare gli attuali metodi didattici, analizzando situazioni sia reali che simulate.
In questo articolo:
Eye tracker e didattica medica
Prendiamo ad esempio uno studio del 2021, in cui l’eye tracker viene utilizzato per ottenere una comprensione più profonda di come gli studenti di medicina interpretano gli elettrocardiogrammi (ECG), ovvero gli esami diagnostici capaci di registrare l’attività cardiaca e fornire come output una rappresentazione grafica di tale attività.
Questo esame è di fondamentale importanza per la rilevazione di diverse malattie, quali, ad esempio, aritmie, anomalie cardiache, infarto del miocardio, ecc. Saper effettuare una corretta lettura del suo output è dunque essenziale per riuscire ad individuare e prevenire tutta una serie di malattie nel paziente. Nonostante sia un metodo diagnostico ampiamente standardizzato, la sua tecnica di interpretazione può, però, variare da paese in paese.
Perché ciò accade?
Tra le cause di questa variazione nella lettura degli ECG, troviamo al primo posto le differenze nella formazione universitaria in medicina (Breen et al., 2014). Questo accade perché, nel corso degli anni e grazie all’esperienza, i cardiologi più esperti si discostano dai metodi più standardizzati per adottare uno stile proprio, che poi passeranno ai propri studenti durante la didattica (Wood et al., 2014). Saper identificare i modelli che gli studenti di medicina seguono in fase di interpretazione dell’ECG potrebbe aiutarci a spiegare le possibili deduzioni errate.
Tramite l’uso dell’eye tracker, la ricerca di Tahri Sqalli e colleghi del 2021, si propone appunto di chiarire quali pattern di esplorazione visiva distinguono un’interpretazione corretta da una imprecisa e se gli studenti sono in grado di concentrarsi sulle giuste anomalie. Questo ovviamente può essere influenzato dal modo in cui gli studenti guardano le diverse aree dell’ECG durante lo studio interpretativo, così come da quanto tempo trascorrono a fissare queste stesse aree. Le metriche prese in considerazione per lo studio sono quindi:
1. Il numero di fissazioni rivolte verso una delle aree di interesse selezionate, che è indicativo di dove viene orientata maggiormente l’attenzione dell’utente
2. Il tempo dalla prima fissazione, ossia il tempo trascorso da quando viene presentato uno stimolo all’utente a quando lo sguardo ricade all’interno di un’area di interesse (AOI)
3. Il numero di rivisitazioni: ovvero il numero di volte in cui l’utente torna con lo sguardo su uno stesso punto individuato in una AOI
Nell’esperimento sono stati coinvolti 12 studenti di medicina che ovviamente avevano già acquisito tutto il background necessario per una corretta interpretazione degli ECG. A ciascuno sono stati mostrati un totale di 10 ECG sullo schermo di un computer, ognuno dei quali poteva essere osservato, indossando l’eye tracker, per un totale di 30 secondi. Al termine dei 30 secondi di osservazione, gli studenti dovevano formulare una diagnosi relativa al tracciato che avevano appena osservato.
Le AOI sono state individuate così come mostrato in Figura 1. La prima AOI individuata nell’area superiore contenente le 3 derivazioni (ovvero la registrazione della differenza di potenziale elettrico tra due punti) V1, V2 e V3, e la seconda AOI nell’ area inferiore contenente le 3 derivazioni V1, II, V5.
Figura 1 Distribuzione che divide l’ECG in due uguali aree di interesse.
I risultati mostrano che gli studenti osservano maggiormente le derivazioni II, seguite da V1 e V5. Questo perché, probabilmente, tali derivazioni forniscono la miglior analisi longitudinale della frequenza e del ritmo cardiaco rispetto a tutto l’intero ECG.
Il tempo dalla prima fissazione ed il numero di rivisitazioni mostrano invece che la tendenza naturale degli studenti di medicina è quella di iniziare la loro interpretazione dal centro dell’ECG. Viene inoltre riscontrato che le anomalie presenti nel tracciato, potenzialmente dovute sia ad un’effettiva irregolarità del ritmo cardiaco che a semplice rumore, catalizzano l’attenzione degli studenti e ne influenzano l’interpretazione. Questo comportamento è definito come “reattivo” e può comportare che l’intera interpretazione venga guidata dall’anomalia stessa, generando possibili conseguenze sfavorevoli.
A supporto della necessità di un corretto “skill transfer”, ovvero di una corretta e completa condivisione delle conoscenze, alcuni studi (Davies et al., 2019) dimostrano che gli esperti riescono a reagire in modo selettivo a questi segnali rispetto ai principianti.
Viene quindi confermata l’ipotesi iniziale dello studio, ovvero che le aree del tracciato esaminate per un tempo maggiore dallo sguardo del partecipante influisce sull’interpretazione finale. In questo caso, le aree che più delle altre catturano maggiormente l’attenzione sono appunto le anomalie, che, in molti casi, portano ad un’interpretazione e ad una diagnosi errata.
L’eye tracker aiuta quindi i più esperti ad individuare in maniera oggettiva i modelli interpretativi dei loro studenti e a capire in modo più oggettivo ed affidabile come mai vengono commessi determinati errori sistematici. In questo caso lo strumento avrà dunque fini didattici: dati alla mano, il cardiologo esperto potrà reindirizzare i propri allievi ad una corretta interpretazione del tracciato in modo tale da ridurre il rischio di diagnosi errata.
Eye tracker e training medico
Oltre che per fini didattici, l’eye tracker in ambito medico può essere utilizzato anche per fare in modo che i medici più esperti possano passare le loro tecniche e le loro conoscenze ai novizi in modo più semplice e veloce (skill transfer). Sappiamo infatti che quando si diventa molto esperti nello svolgere il proprio lavoro, alcune azioni diventano automatiche e alcune conoscenze quasi implicite, tanto che diventa difficile spiegare a voce cosa si sta facendo per trasmettere le proprie abilità.
Tramite l’eye tracker lo studente o il tirocinante può svolgere un training efficace anche solo osservando in modo diretto dove il medico o il chirurgo posizionano il loro sguardo nel corso di una visita o di un’operazione. Esperti e novizi, infatti, tenderanno a porre la propria attenzione su aree diverse.
Lo dimostra uno studio del 2020, in cui viene monitorato il pattern di visualizzazione di anestesisti esperti e novizi durante l’esecuzione di un’epidurale, ovvero un’anestesia locale che ha lo scopo di annullare la sensibilità dolorosa in buona parte del busto e lungo entrambi gli arti inferiori. L’epidurale è una procedura complessa che richiede sia una corretta conoscenza dell’anatomia sia le giuste abilità psicomotorie per essere eseguita correttamente.
Per lo studio, sono stati coinvolti 7 tirocinanti in anestesia (novizi) e 7 Esperti anestesiologi a cui è stato richiesto di indossare l’eye tracker e di effettuare un’epidurale tramite un simulatore (Figura 2). Gli autori hanno selezionato 6 aree di interesse principali, che si suddividevano in:
1. Punta dell’ago epidurale al suo inserimento nella pelle
2. Stelo dell’ago epidurale
3. Mozzo dell’ago
4. Canna della siringa
5. Stantuffo della siringa
6. Altri campi visivi
Figura 2 Aree di interesse selezionate
Per una migliore indagine, la procedura è stata a sua volta suddivisa in due fasi principali, ovvero (1) inserimento dell’ago e suo avanzamento e (2) introduzione del catetere epidurale e suo avanzamento.
Le metriche considerate in questo caso sono la durata delle fissazioni per ciascuna area di interesse e il tempo trascorso dalla prima fissazione.
I risultati di questa indagine mostrano che gli anestesisti esperti passano più tempo a fissare di volta in volta un punto target (che poteva essere la punta dell’ago epidurale o la canna della siringa a seconda della fase in cui si trovano), mentre i novizi tendono a disperdere l’attenzione, passando velocemente da un punto ad un altro rispetto alle aree di interesse evidenziate.
Quando si confronta dunque il comportamento dello sguardo tra esperto e principiante, si nota che gli esperti fanno osservazioni più attente, dimostrando un’elaborazione più immediata ed una concentrazione maggiormente orientata ai dettagli nei confronti della strumentazione usata.
I novizi, al contrario, mostrano un’insicurezza di base che li porta a vagare con lo sguardo e ad aumentare i tempi della procedura, rischiando di affaticarsi di più.
Questo può essere notato anche nelle rappresentazioni grafiche riportate in Figura 3, dove è evidente una maggior sicurezza e precisione nel pattern di visualizzazione degli esperti (immagini B e D).
Figura 3 Comportamento dello sguardo. Tipico gaze plot del principiante (A) e dell’esperto (B) e
heatmap per principianti (C) ed esperti (D).
Un replay dei movimenti oculari degli esperti mentre eseguono il compito potrebbe essere utilizzato per guidare gli spostamenti dello sguardo dei novizi, che in questo modo potrebbero avere un modello di pattern visivo su cui basarsi, riducendo così gli errori clinici ed acquisendo maggior sicurezza.
Conclusioni
L’applicazione della tecnologia eye tracker in ambito medico può essere dunque utile sia per la didattica che per il training dei principianti. Seguendo in tempo reale il pattern visivo dei medici esperti, si possono ottenere dei feedback immediati ed individuare comportamenti associati a potenziali errori.
Al tempo stesso, l’uso dello strumento potrebbe consentirci di creare dei programmi di valutazione basati sul comportamento dello sguardo, che identifichino i livelli di abilità di tirocinanti e specializzandi, individuando in anticipo eventuali carenze nell’esecuzione di una tecnica.
Non solo, set up di allenamento simulati come quello illustrato nell’ultimo studio, consentono ai novizi di superare gli effetti negativi dell’ansia attraverso il mantenimento dello sguardo su punti sempre rilevanti. Se ci pensiamo, infatti, gli studenti di medicina non sempre possono far pratica “in sicurezza” come fanno invece studenti di altre facoltà e i loro errori potrebbero comportare conseguenze in alcuni casi anche irreparabili.
Tramite l’eye tracker possiamo garantire una formazione sicura, efficace e più veloce, consentendo ai principianti di abituarsi a situazioni di stress e affinare le loro tecniche senza rischi per nessun paziente.
Bibliografia
Breen, C. J., Bond, R., & Finlay, D. (2014). An evaluation of eye tracking technology in the assessment of 12 lead electrocardiography interpretation. Journal of electrocardiology, 47(6), 922-929.
Capogna, E., Salvi, F., Delvino, L., Di Giacinto, A., & Velardo, M. (2020). Novice and expert anesthesiologists’ eye-tracking metrics during simulated epidural block: a preliminary, brief observational report. Local and regional anesthesia, 105-109.
Davies, A., Mueller, J., Horseman, L., Splendiani, B., Hill, E., Vigo, M., … & Jay, C. (2019). How do healthcare practitioners read electrocardiograms? A dual-process model of electrocardiogram interpretation. British Journal of Cardiac Nursing, 14(10), 1-19.
Tahri Sqalli, M., Al-Thani, D., Elshazly, M. B., & Al-Hijji, M. (2021). Interpretation of a 12-lead electrocardiogram by medical students: quantitative eye-tracking approach. JMIR Medical Education, 7(4), e26675.
Wood, G., Batt, J., Appelboam, A., Harris, A., & Wilson, M. R. (2014). Exploring the impact of expertise, clinical history, and visual search on electrocardiogram interpretation. Medical Decision Making, 34(1), 75-83.
