12 min readL’AI sarà il nuovo stetoscopio?

Digital health 31 Marzo 2020 9 min read

12 min readL’AI sarà il nuovo stetoscopio?

Reading Time: 9 minutes

“AI is like teenage sex: everyone talks about it, nobody knows how to do it, everyone thinks everyone else is doing it & so claims to do it”

Questo vecchio tweet racchiude ironicamente molto di quello che si legge, si sente e viene dichiarato da molte realtà nel mondo della salute. C’è molto ottimismo sul suo utilizzo e applicazione, e sicuramente le potenzialità sono enormi; è però opportuno analizzare che cosa sia e cosa significhi Intelligenza Artificiale, come funzioni e come potrà veramente trasformare il mondo della salute – perchè è certo che lo trasformerà e lo farà in meglio.

Siamo abituati a sentire il termine AI associata a qualunque attività di calcolo o automatizzata di una macchina – indipendentemente che ci sia dell'”intelligenza”- soprattutto se con il termine “intelligenza” pensiamo a quella umana, che può declinarsi in logica, spaziale, emotiva, verbale somatica e in molte altre. Un analogo “artificiale” di questa ancora non esiste.

Ciò di cui disponiamo è una “narrow artificial intelligence”, in grado di eccellere in uno specifico compito, anche meglio dell’uomo, ma non in altri (per esempio AlphaGo che nel 2016 ha battuto il campione di scacchi in essere – ma non sarebbe in grado, come lui, anche di guidare una macchina oppure di dipingere).

Image result for alpha go chess 2016
AlphaGo e Lee Sedol nel 2016 – l’AI batte il campione

Numeri e tecnicismi

Esistono diversi modi per sviluppare una AI e i dettagli tecnici sono estremamente interessanti, anche se sicuramente più utili in fase di sviluppo, mentre il compito che l’algoritmo eseguirà è ciò che impatterà un mercato o realtà, come quella della salute.
Delle basi è però utile porle.

Ciò da cui si parte sono sempre dei dati, sottoforma di numeri, foto, immagini, video, audio.
Questi dati possono essere analizzati con la statistica: semplicemente visualizzandoli nella loro totalità (statistica descrittiva), analizzandone una parte per poi applicare il risultato dell’analisi a tutti (statistica inferenziale: es. gli exit polls) oppure analizzare gradi set di dati per poter identificare dei pattern comuni e usarli poi come base di successive analisi (data mining).
Da questo nasce il machine learning, il processo attraverso cui una macchina è in grado di prendere decisioni autonome partendo da un set di dati e da algoritmi dinamici.

Per diventare autonoma, tale macchina, deve essere istruita e lo si può fare in modo supervised – fornisco immagini di gatti e lei fornisce come output la presenza o meno di gatti in una foto; può essere in modo unsupervised – fornisco foto di animali e lei li suddivide in gruppi coerenti, per esempio per numero di gambe; e anche attraverso il reinforced learning – il più usato, in cui la macchina impara dai suoi errori – fornisco immagini di animali, controllo che le suddivida in funzione del parametro impostato nell’algoritmo, se sbaglia lo indico e offro un altro set di dati come test – e così fino a quando è ottimizzata a suddividerli in modo corretto.

Dal machine learning si arriva al deep learning, che crea algoritmi usando network neurali, strutture matematiche che si ispirano alla rete neurale umana.

L’ottimale? Abbinare il deep learning con il reinforced learning – non sempre possibile in quando nell’health si parla di salute e uomini – analizzare tutte le possibilità e scenari per imparare non è eticamente possibile in certi casi.

Related image

Partendo da queste basi sono stati sviluppati e studiati diversi sistemi di AI in ambito health. Il primo dato che ci parla di questo in modo autorevole è PubMed – una delle banche dati più importante in ambito scientifico – che nel 2005 aveva solamente 203 paper sulla AI, raggiungendo nel 2018 il numero di 7668 – che sarà ancora maggiore nel 2019.

Lato business, le start-up che si occupano di AI sono cresciute del 113% dal 2015 al 2018 – mentre la crescita media delle start-up, nello stesso periodo di tempo, è stata del 28%.
Si parte dalla ricerca, si passa per la creazione di un modello di business ma poi è necessario che le agenzie nazionali ne riconoscano il valore clinico – l’FDA (la Food and Drug Administration) è l’unica agenzia che ha creato strumenti per verificare la validità e accuratezza di algoritmi in ambito health – nel 2018 ne ha approvati ben 23! (il primo in assoluto è stato approvato nel 2014)

Le specialità più presenti in questi algoritmi approvati sono cardiologia e radiologia – ma le applicazioni sono molte. Vediamone alcune delle più famose e discusse.

Quali le applicazioni

Il modo più semplice per vedere le applicazioni è quello di pensare al mondo della medicina a 360 gradi.

Artificial Intelligence Will Redesign Healthcare - Company Map

Partiamo dalla ricerca di base, il cui obiettivo è quello di identificare dei target molecolari la cui modulazione da parte di una molecola (=farmaco) porta a curare una patologia. L’AI supporta sia nello screening delle possibili molecole che teoricamente (in quanto costruite solamente a livello digitale) potrebbero modulare un target farmacologico, sia nella valutazione di tutte le possibilità e step per poter sintetizzare in laboratorio tali molecole.

Una volta sintetizzate è necessario testarle, in modelli cellulari, animali e poi nell’uomo – l’AI viene in aiuto anche in questo caso supportando nella valutazione dei vari scenari ed escludendo quelli che potrebbero avere esiti negativi – in modo da ottimizzare e velocizzare l’intero processo della ricerca clinica.

Oltretutto, proprio parlando di ricerca clinica e di test sull’uomo, l’AI può essere introdotta come supporto per la raccolta di dati e come interfaccia di dialogo con il paziente partecipanti allo studio.

Le cartelle cliniche, e i dati in esse contenuti, possono essere raccolti attraverso il data mining – in cui l’AI trova una delle sue più pratiche e già attuali applicazioni (Google Deepmind e IBM Watson).

L’AI supporta nei lavori ripetitivi, per esempio nell’analisi di lastre radiografiche o nell’inserimento dei dati.

Ma l’AI può essere anche di aiuto nella diagnosi, nei consulti online (pensiamo a Babylon Health), nella gestione quotidiana di una patologia, come assistente e reminder per l’aderenza.

Può essere un aiuto nelle fasi di accesso, andando a ipotizzare possibili scenari di rimborsabilità dei farmaci.

Le applicazioni sono moltissime e vanno a supportare e sopperire ogni momento della patient joruney…ma anche della physician journey!

Il lato luccicante della medaglia

L’AI permetterà di rendere più efficiente, con meno errori e di cambiare il modo attuale i cui viene affrontato tutto il mondo della salute, dalla ricerca e sviluppo alla pratica clinica, come appena visto.

Si parla molto di medicina di precisione, cioè di analisi dei parametri e caratteristiche individuali per la creazione di terapie e approcci che rispondano in modo puntuale e preciso alla nostra genetica, stile di vita e ambiente nel quale ci troviamo. L’AI è in grado di spingere la medicina di precisione analizzando e traendo conclusioni dalla grande mole di dati individuali.

L’AI supporterà anche il passaggio dalla medicina reattiva a quella proattivail machine e deep learning analizzeranno i dati raccolti dagli individui attraverso applicativi e wearbles, permettendo di intervenire al momento giusto e in modo adeguato sull’individuo, prevenendo complicazioni.

La grande domanda che ci si pone sempre è quella legata alla capacità dell’AI di essere superiore all’uomo, e in particolare del medico. Una prima e recente review e metanalisi (confronto tra tutte le pubblicazioni legate ad un tema) pubblicata su The Lancet Digital Health ha proprio indagato ciò e il primo dato è che, sorprendentemente, sono poche le pubblicazioni che hanno studiato e confrontato medico-AI sullo stesso data-set. L’analisi evidenzia che l’AI è in grado di eguagliare il medico nella diagnosi di patologie da immagini, per entrambi la capacità diagnostica è stata dell’87%. Ma dei 20.000 articoli analizzati, solo 14 avevano validato il modello AI esternamente e testato AI/medico sullo stesso campione (meno dell’1%!). 

Il dato è incoraggiante, ma senza ombra di dubbio servono più di 14 studi per poter confermare l’uguaglianza – e confermarla in diversi campi della medicina.

Un aspetto fondamentale della creazione di sistemi intelligenti è la fase di “learning” degli algoritmi – i dati devono essere loro dati in una determinata forma, in modo che siano comprensibili e abbiamo un significato. In ambito medico questo significa che, se per esempio ho la necessità di istruire un algoritmo sulla capacità di identificare un tumore al polmone dalle lastre, allora dovrò fornirgli delle lastre in cui il tumore sia cerchiato e in qualche modo identificato; questa operazione non solo è manuale, ma deve essere eseguita da personale specializzato (medici/radiologi), in modo preciso e richiede anche una certa quantità di tempo.

Ecco quindi che il ruolo di questi annotatori ricopre e ricoprirà un ruolo sempre più importante, e la professionalità con cui lo svolgeranno determinerà l’accuratezza finale del sistema di AI.

E il retro della medaglia

Come tutte le tecnologie e innovazioni, è sempre bene analizzarle sotto tutti gli aspetti e pre-figurarsi tutte le possibilità.

Lasciando da parte scenari alla Matrix, esiste però un tallone di Achille delle AI. Gli algoritimi sono infatti in grado di analizzare un gran numero di dati, ma non valutano il contesto e questo rende facile farsi gioco di loro: se si disegna un cerchio a linea continua attorno ad una macchina a guida autonoma, questa rimarrà immobile riconoscendo, per la segnaletica stradale con cui è stata istruita, la linea continua come non sorpassabile.

Discorsi analoghi possono essere applicati anche in ambito salute, in cui l’aggiunta di un rumore di fondo a immagini radiologiche può portare un algoritmo a dare falsi positivi o falsi negativi – sbagliando completamente la diagnosi.

hack A.I.
Macchina a guida autonoma che non oltrepassa linea continua: www.fastcompany.com

E se questo può sembrare uno scherno alla AI, potrebbe avere anche risvolti negativi: un modo per avere un rimborso dalle assicurazioni senza che una patologia sia effettivamente presente oppure un attacco hacker a software di analisi di cartelle cliniche potrebbe compromettere una struttura ospedaliera.

Risulta necessario prendere misure precauzionali, ma è anche necessario sviluppare regole e standard etici da applicare nel settore health. Inoltre sarebbe opportuno mappare man mano i possibili scenari negativi e che le aziende che sviluppano soluzioni AI si facessero carico di comunicare al grande pubblico vantaggi e possibili rischi dei loro prodotti.

Dopo aver visto come funziona, l’AI, le sue applicazioni, i vantaggi e svantaggi manca ancora da analizzare un punto importante: il rapporto tra l’uomo e gli algoritmi e qual è il reale impatto sul paziente, sempre e comunque utente finale dell’AI in ambito health.

Uomo vs Macchina

C’è la paura che questi sistemi intelligenti possano rubare lavoro all’uomo, e questo potrà essere vero per lavori e mansioni legate a processi standard – come per esempio l’analisi di una radiografia o l’archiviazione di cartelle cliniche.

Image result for uomo vs macchina

Ma per quanto riguarda medici e chirurghi, questo non sarà vero. Si troveranno ad affrontare un mondo e una pratica clinica molto differente da quella attuale, l’AI sarà presente nella loro quotidianità, ma come strumento del loro lavoro e non come sostituto.

L’empatia, una delle capacità chiave di un medico, non potrà mai essere sostituita da un robot. 

I problemi medici complessi richiedono infatti creatività di pensiero, gestione di diversi strumenti di digital health, necessità di forti competenze trasversali. Non ha quindi senso pensare a uomo vs macchina, quanto piuttosto a come l’uomo/medico può e deve conoscere questi strumenti per potersi muovere nel mondo del domani.

E per quanto riguarda il paziente? Lo studio citato prima di Lancet Digital Health ha evidenziato come non siano ancora presenti studi e dati sul percorso del paziente.

Il paziente può accedere a questi sistemi attraverso i normali percorsi di cura, in quanto sistemi integrati in strutture ospedaliere o usati dal proprio medico. I vantaggi che ne dovrebbe ottenere possono essere efficienza nella diagnosi, rapidità di gestione, diminuzione di errori clinici, supporto nella scelta della terapia – sarà interessante valutare gli outcome di questi percorsi, sia dal punto di vista clinico che dell’esperienza globale.

Le AI dovrebbero parlare la stessa lingua del paziente per essere veramente presenti nella sua vita: dialogare con un chatbot può avere un esito clinico favorevole per il paziente, ma non è scontato che a livello psicologico sia veramente di supporto. Non si può pensare ad una diagnosi senza tener in considerazione la storia del paziente, il suo contorno e le sue necessità: è probabile che solamente quanto i sistemi AI saranno in grado di integrare e valutare anche questi aspetti possano essere un vero cambio di paradigma nei percorsi di cura.

Interessante in questo senso l’uso di algoritmi per la salute mentale: da un lato vengono apprezzati dai pazienti in quanto anonimi, e risulta più facile liberare i propri pensieri ed esporsi. Dall’altro lato gli algoritmi lavorano su set di dati ben precisi, e questo ambito pone la domanda sulla possibilità di quantificare disturbi mentali – e, nel caso di risposta positiva, di cambiare l’attuale visione che si ha di essi (da sempre un pò come malattie “autoimposte” a quantificabili e diagnosticabili).

Esiste quindi la necessità per tutte le persone che si occupano del mondo salute di avvicinarsi allo studio e comprensione delle AI, di utilizzarle nella pratica quotidiana e di farle diventare uno strumento non solo indispensabile ma anche estremamente utile a migliorare il mondo health, dalla ricerca alla clinica – passando (sempre!) per il paziente.

Chimica farmaceutica di nascita, cresciuta a marketing farmaceutico e con una grande passione per l’innovazione in ambito health. Affrontare nuove sfide e modi di pensare, conoscere e imparare ogni giorno è il mio mantra Linkedin