Condividi l'articolo

Recentemente abbiamo pubblicato un articolo sull’Intelligenza Artificiale della quale, ormai, sentiamo parlare quotidianamente. L’utilizzo dell’IA in sanità è una grande rivoluzione tecnologica che, come abbiamo visto, può portare molti vantaggi se utilizzata eticamente. Esiste, però, un ramo ancora più specifico dell’IA che, attraverso le tecniche di analitica predittiva, può permettere di riflettere lo stato di salute di un individuo e di agire in modo preventivo nella diagnosi precoce e nel monitoraggio dell’insorgenza di eventuali patologie. Questo ramo, che permette quindi di curare il paziente prima che diventi tale, si chiama Machine Learning e viene applicato frequentemente ai progetti di ricerca e di innovazione tecnologica.

Il machine learning, praticamente, può essere identificato con l’apprendimento automatico: i computer hanno la capacità di imparare dai dati che utilizzano e quindi, man mano che li utilizzano, diventano sempre più capaci di imparare dai propri errori evitando di commettere gli stessi in futuro e di prendere decisioni sempre più precise e affidabili. Questo ramo dell’IA si basa sull’idea che i computer possono imparare dai dati in modo autonomo e prendere decisioni con un intervento umano ridotto al minimo.

Il machine learning non è una disciplina recente, alcuni algoritmi di machine learning sono diffusi da anni ma quello che è cambiato oggi è la grande quantità di dati sui quali poter applicare calcoli matematici complessi e, dato che l’aspetto più importante del machine learning è la ripetitività, più i modelli sono esposti ai dati, più sono in grado di adattarsi in modo autonomo, più precise sono le risposte.

“La digitalizzazione del sistema sanitario, mettendo a disposizione dati di salute pubblica relativi a un’ampia popolazione, rappresenta una fonte di informazione importante per addestrare dei modelli di calcolo predittivi per la salute pubblica, che possono così guidare interventi preventivi, anticipare malattie future e verificare l’impatto di programmi e politiche sanitarie adottate. Gli algoritmi di machine learning fanno uso di tecniche diverse che sono in grado di classificare ed estrarre modelli predittivi a partire da grandi moli di dati.”

Nell’ambito del medical imaging, per esempio, quando si hanno a disposizione grosse quantità di dati, è possibile addestrare gli algoritmi di IA sfruttando la loro capacità di riconoscere pattern complessi e fornire una verifica quantitativa e qualitativa delle caratteristiche radiografiche delle immagini. Ma non solo, tutti i dati a disposizione possono essere integrati con ulteriori dati che provengono dalla vita quotidiana, che vengono raccolti attraverso l’utilizzo di sensori indossabili, quali caratteristiche del comportamento fisico e sociale della persona e dell’ambiente in cui vive. Tale integrazione consente al sistema una predizione precoce del rischio associato a stili di vita collegati allo stato di salute della persona stessa.

“Gli algoritmi di intelligenza artificiale possono applicare tecniche di machine learning a grandi dataset di popolazione affetta da patologie, in modo tale da poter apprendere dai dati senza nessun modello statistico a priori. Per questo motivo alcune analisi economiche evidenziano come l’uso di applicazioni di intelligenza artificiale possano portare a dei risparmi consistenti nei sistemi sanitari, questo perché l’IA mostra chiari vantaggi rispetto al ragionamento umano quando si ha a che fare con il ragionamento analitico e il “problem solving” in presenza di grandi quantità di dati”.

Come abbiamo detto anche nel precedente articolo sull’Intelligenza Artificiale, l’utilizzo di queste tecnologie porta notevoli vantaggi ma va controllato in modo da non inficiare in alcun modo sul valore delle competenze del medico come essere umano e professionista.

PROGETTI DI RICERCA

Come azienda, la Bollino IT è attiva nella partecipazione a progetti di ricerca basati sull’utilizzo di nuove tecnologie di Intelligenza Artificiale, in modo particolare di Machine Learning.

Attualmente sono attivi due progetti di ricerca che si basano, tra le altre tecnologie, sull’utilizzo di algoritmi di machine learning:

Il progetto “Synergy-net: Ricerca e Digital Solutions nella lotta alle patologie oncologiche” punta allo sviluppo della Piattaforma Tecnologica “Synergy-net” quale soluzione innovativa di approccio alla diagnosi oncologica (fase di screening oncologico), grazie all’integrazione tra un sistema interoperabile di comunicazione e gestione del dato clinico e metodologie basate su modelli predittivi Knwoledge Based addestrati con opportune tecniche di Machine Learning. Tra i risultati attesi c’è quello di dotare il servizio di screening oncologico di una soluzione software innovativa finalizzata alla raccolta dati e alla relativa fenotipizzazione di profili oncologici in base all’opportuna scelta di indicatori. Tale soluzione sarà sviluppata, a partire da una basedati messa a disposizione dal Dipartimento di Scienze Avanzate dell’Università della Campania “L. Vanvitelli”, con metodologie e algoritmi dedicati all’elaborazione diagnostica per immagini, tramite modelli predittivi Knowledge Based addestrati con opportune tecniche di Machine Learning, per migliorare l’accuratezza e l’interpretazione delle immagini diagnostiche e integrare tale know how al più complesso processo di elaborazione dati. I modelli saranno addestrati in modo da analizzare, automaticamente, le immagini diagnostiche ed effettuare diagnosi precoci (Early Diagnosis) di incidenza di forme oncologiche sulla base dei dati della cartella clinica. Se i risultati saranno quelli attesi, il sistema sarà presto in grado di selezionare autonomamente dei profili di rischio e suggerire strategie diagnostiche e terapeutiche sempre più personalizzate, rispondendo quindi al criterio di Tailored Therapy/Surgery, obiettivo auspicabile di qualsiasi programma di prevenzione oncologica.

Il progetto “SICED – System Innovation for Cancer Early Diagnosis” ha come obiettivo quello di attivare una nuova modalità di collaborazione tra mondo della ricerca e dell’innovazione, in un’ottica di Open Innovation e condivisione della conoscenza, attraverso la messa a sistema dei vari player di mercato regionali operanti nel campo dell’oncologia, al fine di favorire un processo innovativo di migliore qualità per il sistema sanitario. Per raggiungere tale obiettivo, si punta alla creazione di un hub di sperimentazione regionale per l’identificazione precoce dei tumori, la caratterizzazione del profilo di resistenza e la creazione di terapie alternative per i pazienti che non rispondono alle terapie convenzionali.

Fonti:

-Libero.it, Cos’è e a cosa serve il machine learning
-Agenda Digitale, Antonio Frisoli, L’intelligenza artificiale nella diagnostica avanzata e nella medicina: le nuove frontiere
-AI4ALL Una guida semplice e chiara all’intelligenza artificiale.pdf