Oggi si sta affrontando un grosso problema medico: un numero crescente di pazienti contro un numero insufficiente di medici. L’Intelligenza Artificiale ci può aiutare?
Il principale problema è analizzare come sfruttare il miglior modello di Machine Learning per prevedere la classe di rischio clinico dei pazienti con un numero limitato di parametri vitali.
Il Clinical Risk Management è una metodologia che aiuta ad esaminare i fattori che influenzano la pratica clinica in ogni suo stadio, fornendo indirizzi e programmi per la riduzione degli errori medici con conseguente miglioramento della sicurezza e della qualità assistenziale. In pratica può definirsi come un programma di approccio globale, multidisciplinare (epidemiologico, clinico, medico-legale, economico, amministrativo, organizzativo, formativo, sociale) al problema degli errori nella pratica clinica, con lo scopo di comprenderne la natura, conoscere le cause che possono indurli e individuare i comportamenti utili a prevenirli o mitigarli, istruendo opportunamente tutti i soggetti coinvolti nel percorso di cura.
L’Intelligenza Artificiale (IA) ci fornisce la possibilità di trasformare il modo in cui i pazienti vengono diagnosticati e curati e di rendere più efficiente ed efficace i test e le applicazioni di nuove procedure mediche. Abbiamo quindi a nostra disposizione gli strumenti per fare davvero la differenza. Infatti entro il 2027, ci si aspetta che il valore dell’IA nel mercato sanitario aumenti di 8 volte rispetto al 2022 (The Economist, https://www.economist.com/films/2022/02/15/the-future-of-medical-ai).
Non è più di fantascienza, l’IA sta trasformando davvero l’Assistenza Sanitaria
L’IA sta diventando sempre più sofisticata e capace di sostituirsi alle decisioni degli esseri umani, 
ma in modo più efficiente, più rapido e a un costo inferiore. Il potenziale per l’IA nel settore sanitario è vasto: dall’analisi dell’imaging medico alla medicina di precisione, passando per la telemedicina e l’analisi diagnostica predittiva. Proprio come nella nostra vita quotidiana, l’IA fa sempre più parte del nostro ecosistema sanitario.
L’IA si è sviluppata ed è progredita molto negli ultimi anni, è possibile vedere le diagnosi errate e il trattamento dei sintomi delle malattie piuttosto che la loro causa come una cosa del passato. Considerate soltanto ad esempio la memoria che avreste bisogno di liberare per inserire un’immagine 3D completa di un organo sul vostro computer o gli anni di misurazioni della pressione sanguigna. La mole di dati generati e immagazzinati nelle cartelle cliniche digitali, attraverso immagini mediche e test generali, permette all’IA di sviluppare sempre più applicazioni e di proiettarci verso un’era medica guidata dall’elettronica ad alte prestazioni. Queste applicazioni di IA stanno plasmando il modo in cui i ricercatori e i medici affrontano la risoluzione dei problemi clinici.
Sistemi per la valutazione del rischio clinico – Gli Algoritmi dell’Intelligenza Artificiale
In particolare, la valutazione del rischio clinico è una pratica adottata nel settore sanitario per identificare possibili attività di intervento precoce, al fine di analizzare rapidamente il quadro clinico dei pazienti, soprattutto al pronto soccorso o in condizioni di terapia intensiva.
La possibilità di predisporre un sistema che indichi l’insorgenza di eventi patologici o condizioni gravi (EWS – Early Warning Score) può dunque essere utile per i medici e gli operatori sanitari al fine di delineare una visione globale dello stato del paziente, ottenere informazioni per una cura più efficace ed intraprendere decisioni valide sulla scelta terapeutica. In questo scenario particolare, la stima del rischio clinico di un paziente può essere considerata un compito di analisi predittiva.
Gli algoritmi dell’IA, che possono rappresentare potenti strumenti di supporto alle decisioni in condizioni di incertezza delle informazioni a disposizione, col tempo, imparano a fare il loro lavoro, proprio come un medico che studia per anni, sottoponendosi ad esami pratici e rigorosi, ottenendo responsi e imparando dagli errori.
I lavori che l’IA svolge, comunque, sono quelli che hanno bisogno dell’intelligenza umana per essere completati, come il riconoscimento del parlato e dei modelli, il processo decisionale e l’analisi delle immagini. Un umano è necessario per dire al sistema esattamente cosa dovrebbe cercare in un’immagine che l’algoritmo vede. In breve, automatizzare i compiti di base utilizzando un algoritmo di IA è esattamente ciò per cui sono addestrati, e spesso possono eseguirlo molto meglio di qualsiasi umano.
I sistemi informativi generano e raccolgono imponenti moli di dati più o meno ben strutturati, capaci di supportare lo sviluppo si algoritmi di IA efficienti. Una volta che l’algoritmo ha processato sufficienti serie di dati, la performance del sistema viene valutata per verificarne la precisione. Queste verifiche solitamente comportano l’inserimento di dati di prova di cui il sistema conosce già la risposta. Questo permette all’utente di verificare la capacità dell’algoritmo di elaborare la risposta corretta. L’algoritmo può essere modificato, alimentato con più dati, o ampliato in seguito ai risultati ottenuti.
Gli algoritmi leggono e imparano dai dati e quindi forniscono risultati di probabilità o di classificazione. Ad esempio, i risultati potrebbero essere l’etichettatura di un campione di tessuto come canceroso o non canceroso. Nelle applicazioni sanitarie, le prestazioni dell’algoritmo vengono confrontate con quelle di un medico per determinare se la diagnosi corrisponde e se il suo valore e la sua capacità nella clinica sono accettabili.
L’Internet of Medical Things – Applicazioni recenti dell’Intelligenza Artificiale in medicina
I recenti progressi nell’associare enormi volumi di dati generati da sistemi informativi clinici (anche attraverso sensori indossabili abilitati dall’IoMT – Internet of Medical Things) stanno incrementando l’affidabilità delle diagnosi, garantendo una continua raccolta di dati e un’analisi adattiva all’evoluzione delle condizioni del paziente.
La nuova generazione di funzionalità di IA quindi, contribuirà alla rilevazione dei modelli che puntano su potenziali problemi. Uno dei maggiori potenziali vantaggi dell’IA è quello di aiutare le persone a rimanere in buona salute in modo che debbano ricorrere all’ausilio diretto di un medico il meno possibile, alleggerendo e favorendo anche l’ottimizzazione delle risorse tecniche, scientifiche e soprattutto economiche, impiegabili quindi a vantaggio di altri ambiti.
La direzione potrebbe essere quindi quella di sviluppare, in un contesto clinico e operativo, soluzioni integrate per un’assistenza continua in cui l’IA e l’IoMT vengono impiegati, con un approccio incentrato sulle persone e che si adatta ed evolve continuamente in base alle esigenze degli operatori sanitari, sfruttando il modello di Machine Learning (ML) più performante per prevedere un rischio clinico simile ad un sistema EWS (Early Warning Score)
Il principio di base di EWS è la raccolta di parametri fisici di usuale e facile riscontro in una scala a punteggio che consenta una veloce e condivisa valutazione dello stato clinico sia ai sanitari e sia a coloro che accudiscono gli infermi, dopo adeguata formazione.
Per ottenere un simile risultato occorre disporre di:
- parametri vitali disponibili del paziente, opportunamente rilevati da uno o più dispositivi medici;
- specifico protocollo EWS con tre livelli di rischio (basso-medio-alto) che guida la frequenza del monitoraggio e il livello di cura;
- mappatura delle condizioni del paziente su due impostazioni di rischio distinte e più facili da classificare, al fine di distinguere correttamente tra un setting di triage e uno scenario di emergenza.
Implicazioni normative e limitazioni dell’algoritmo per il futuro
Finora, gli algoritmi clinici hanno mostrato eccellenti benefici potenziali sia per i pazienti che per i medici. Tuttavia, la regolamentazione di questi algoritmi è un compito impegnativo. Al momento non vi sono ancora linee guida di approvazione universale.
Se l’integrazione di AI e IoMT promuove lo sviluppo di un’ampia gamma di potenziali applicazioni nell’area dell’eHealth, allo stesso tempo emerge una questione etica sulla mancanza di trasparenza e spiegazione nelle procedure predittive e algoritmiche “black-box”.
Ci ritroviamo quindi di fronte alla scelta se avere o meno fiducia nell’algoritmo per il processo decisionale. Determinare la decisione corretta è anche una questione di giusta correlazione con i dati raccolti. Quindi, se vengono immessi dati fuorvianti, l’algoritmo può mostrare un risultato fuorviante. È del tutto possibile che gli individui che sviluppano l’algoritmo non sappiano che le informazioni che stanno inserendo sono fuorvianti finché non è troppo tardi. È possibile che l’algoritmo possa causare negligenza medica. Questo tipo di errore può essere evitato se i programmatori e i clinici sono adeguatamente informati sui metodi e sui dati dell’algoritmo. Creando relazioni tra i programmatori che creano gli algoritmi e i clinici che conoscono le specificità dei dati, è molto meno probabile che si verifichi una negligenza da parte di un algoritmo.
I clinici devono essere adeguatamente consapevoli dei limiti degli algoritmi ed essere pertanto a conoscenza dei dati clinici che i programmatori stanno inserendo per alimentarli. Alle aziende potrebbe essere richiesto di “rilasciare” i segreti della funzionalità di un algoritmo in modo che un pubblico più ampio possa valutare i metodi ed evidenziare eventuali fonti di errore o omissioni che potrebbero avere un impatto negativo sulla cura del paziente. C’è ancora molta strada da fare prima che gli algoritmi siano approvati per il funzionamento indipendente. Tuttavia, definendo le qualità necessarie affinché un algoritmo sia considerato accurato per l’uso clinico e affrontando al contempo le sfide che circondano gli errori decisionali, questi algoritmi potrebbero superare tutte le sfide e alla fine aumentare l’efficienza e la precisione delle pratiche cliniche per vari compiti a livello universale.
La consapevolezza e la fiducia di Medici e Pazienti verso la Intelligenza Artificiale
Tra i clinici vi è una discreta consapevolezza e fiducia ma con la riserva che l’Intelligenza artificiale non è la soluzione di tutti i mali e la convinzione che nessuna tecnologia è mai la soluzione di tutti i problemi. Bisogna però passare alla competenza e convinzione, trasferendo ai pazienti i corretti segnali di affidabilità e fiducia nella tecnologia. Infatti i pazienti-cittadini. A oggi, su Google ci sono 70 mila richieste di informazioni mediche ogni minuto. Quante di queste vengono dirette su siti affidabili e trusted? Su questo ci sarà da lavorare moltissimo. E non è soltanto un aspetto tecnologico, è un aspetto di disinformazione o di para-informazione, che è uno dei problemi purtroppo noti dell’attuale modello di informazione e comunicazione.
A cura di Dimitri Corberi (ICT Manager di Sanitanova) e Antonio Messina (Fondatore & CEO di Sanitanova)
Ti potrebbe interessare:
Cosa si intende per Intelligenza Artificiale e Machine Learning
