IA e diagnosi medica: Una guida sintetica

Introduzione

Come un campione di scacchi che pianifica la sua prossima mossa, anche la diagnosi medica è un processo complesso. Ci sono un bel po’ di curve e tornanti, per così dire, prima che il medico giunga a una conclusione. Questi percorsi tortuosi fanno parte della diagnostica clinica ma possono essere supportati dall’intelligenza artificiale (IA). L’IA e la diagnosi medica rappresentano una sfida.

L’IA ha un ruolo importante nel futuro della diagnosi medica. Non è destinata a sostituire i medici, ma solo a migliorare l’erogazione dell’assistenza sanitaria.

“TLa promessa dell’intelligenza artificiale in medicina è di fornire una visione composita e panoramica dei dati medici degli individui; di migliorare il processo decisionale; di evitare diagnosi errate e procedure inutili; di aiutare nella classificazione e nell’interpretazione dei test appropriati; e di proporre un trattamento.” ― Eric Topol, Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again.

In questa guida imparerete:

1. Cos’è l’IA e dove si inserisce nel quadro generale.
2. Qual è il ruolo del medico nell’IA e nella diagnosi medica.
3. Come l’IA può migliorare la diagnostica medica.
4. Le principali sfide dell’IA.
5. Come l’IA può avere un impatto diretto sui risultati di un business.
6. Applicazioni pratiche dell’IA in uso e il loro impatto sull’erogazione dell’assistenza sanitaria.
7. Cosa c’è in serbo per il futuro: IA in medicina.

Cos’è l’IA? Dove si inserisce nel quadro generale?

IA è un termine generale che ha molte sottocategorie. AI IBM definisce IA qualsiasi intelligenza simile a quella umana esibita da un computer, un robot o altre macchine.

L’IA fa parte della nostra vita quotidiana. Alcuni esempi comuni di IA in uso oggi sono il riconoscimento vocale, l’elaborazione del linguaggio naturale (natural language processing, NLP), il riconoscimento delle immagini, i suggerimenti in tempo reale, la prevenzione dei virus e dello spam, il trading automatico delle azioni, i servizi di ride-sharing e la tecnologia del pilota automatico.

L’ampia portata dell’IA è stata resa possibile grazie alla grande quantità di dati oggi disponibili, così come ai sistemi informatici che sono in grado di elaborare tali dati.

Per iniziare, definiremo i seguenti termini:

Intelligenza artificiale — qualsiasi cosa che assomigli lontanamente all’intelligenza umana.

Apprendimento automatico — un sottoinsieme delle applicazioni IA. Impara da solo, si adatta, acquisisce un maggior numero di dati per eseguire un compito specifico con maggiore precisione.

È già penetrato in ogni settore, compreso quello sanitario. È dietro le macchine che prendono decisioni mediche basandosi sulle immagini. L’apprendimento automatico rientra nel termine più ampio di Intelligenza Artificiale. L’apprendimento automatico dà ai computer la capacità di imparare senza dover essere programmati.

L’IA sta crescendo rapidamente e viene utilizzata in diversi campi come l’istruzione, la finanza, la gestione della catena di approvvigionamento e, naturalmente, l’assistenza sanitaria. L’IDC prevede che la spesa per la tecnologia IA crescerà fino a 97,9 miliardi di dollari nel 2023 - che è 2,5 volte il livello di spesa del 2019.

Tre sottocategorie di apprendimento automatico

Apprendimento supervisionato — i modelli sono addestrati con set di dati etichettati. Questo permette loro di imparare e diventare più accurati nel tempo.

Apprendimento non supervisionato — un programma che cerca modelli in dati non etichettati.

Apprendimento per rinforzo — addestra le macchine, attraverso prove ed errori, a compiere l’azione migliore stabilendo un sistema di ricompensa.

Le reti neurali e l’apprendimento profondo sono standard per qualsiasi applicazione IA. Possono essere definiti come segue:

1. Reti neurali — una classe di algoritmi modellati sul cervello umano dove milioni di nodi di elaborazione sono interconnessi e organizzati in strati.

2. Apprendimento profondo —apprendimento automatico ma che utilizza reti neurali profonde con molti strati. È stato ampiamente adottato nell’ultimo decennio, reso possibile dalle potenti GPU (Graphics Processing Units).

Qual è il ruolo del medico nell’IA e nella diagnosi?

C’è la paura che l’IA possa sostituire i medici. È infondato. L’IA è destinata a migliorare la cura e non a sostituire i medici. Attualmente, siamo circondati da sistemi che permettono di svolgere compiti specifici. Il programma di rischio di credito nelle banche è un esempio di un sistema progettato in questo modo. Il calcolo del programma di rischio di credito può essere difficile da fare per una persona, ma se ad esso si chiedesse di fare una gamma più ampia di compiti, non sarebbe affatto in grado di riuscirci.

A che punto siamo prima che l’IA sia alla pari con l’intelligenza umana? È difficile da prevedere perché non lo sappiamo davvero. Venti anni sembra essere un’approssimazione e questo è stato affermato per oltre 60 anni. Un’area su cui concentrarsi è l’apprendimento automatico, utilizzato nei programmi di riconoscimento facciale e nelle auto a guida autonoma.

Con lo sviluppo della tecnologia, i vecchi lavori scompariranno e ne compariranno di nuovi. Prevedo una strategia di aumento in cui gli esseri umani e le macchine lavoreranno insieme in modo quasi sovrapposto. Il paesaggio e l’ambiente di lavoro cambieranno e gli operatori sanitari dovranno adattarsi.

C’è un grande valore nel lavorare con una rete di medici. È importante che queste figure siano attive nel processo di sviluppo.

There is great value in working with a network of physicians. It is important that they are active in the development process.

Aidence è una società che sta lavorando su percorsi alimentati dall’IA per l’oncologia. Le loro prime applicazioni cliniche IA supportano l’analisi automatizzata delle immagini mediche per i radiologi, in particolare nella rilevazione precoce del cancro ai polmoni.

Secondo Aidence, le aree che necessitano del coinvolgimento dei radiologi includono…

• Prima dello sviluppo della soluzione IA, i medici possono segnalare la necessità di una funzione clinicamente utile e un modo per inserirla nel loro flusso di lavoro. Se l’obiettivo è di migliorare la loro efficienza complessiva o fornire risultati altamente accurati per supportarne la decisione diagnostica, dobbiamo prima capire in che modo i radiologi lavorano attualmente e qual è la loro configurazione di reporting. Questa comprensione deve anche applicarsi a diversi contesti, che variano a seconda del Paese e del tipo di ospedale.
• Durante il processo di sviluppo,i medici possono fornire un input prezioso per la progettazione di un’interfaccia utente completa e facile da usare.
• Dopo aver distribuito il prodotto IA, i canali di feedback devono rimanere aperti. L’uso nel mondo reale può sempre arricchire l’ambiente di ricerca o di test in cui il prodotto è costruito.

Gli studi hanno dimostrato che l’apprendimento profondo è efficace nella diagnosi delle malattie.

I bias nell’IA possono far sembrare le cose più rosee di quanto non siano. Ci sono degli svantaggi da considerare.

L’accuratezza diagnostica dovrebbe seguire un contesto clinico reale. Le applicazioni progettate sulla base della pratica clinica reale sono importanti. Mentre è bene mettere a confronto i set di dati, è anche importante confrontare le prestazioni diagnostiche comparando il set di dati con le persone.

L’accuratezza della segnalazione è un’altra limitazione di cui bisogna tenere conto. Questo è il motivo per cui la conoscenza, l’istruzione e la collaborazione sono fondamentali. Mettendo insieme le conoscenze sanitarie con le competenze tecnologiche, è possibile ottenere un reporting di successo.

Le aziende che stanno lavorando su questi problemi dovrebbero avere accesso al personale clinico. Gli operatori possono offrire una rete di sicurezza nel garantire che la diagnostica sia il più possibile vicina agli esseri umani.

Come l’IA migliorerà la diagnosi medica

La moltitudine di applicazioni al trattamento è degna di nota.

Rilevamento delle malattie: Deloitte ha eseguito un’analisi sui vari benefici dell’IA. I benefici vanno dall’abilitazione di nuovi modelli di business alla riduzione del personale, dal miglioramento della produttività alla creazione di nuovi prodotti e al perfezionamento di quelli esistenti.

In termini di risultati, il beneficio principale è consistito nel miglioramento dell’efficienza del processo. Un esempio è quello di un processo normalmente fatto da un umano, come il rilevamento di modelli in un video.

Eppure, ci sono nuovi approcci che vengono utilizzati.

• Miglioramento del processo decisionale clinico.
• Soluzioni per il trattamento che possono colmare le lacune del passato.
• Aumento dell’aspettativa di vita.

La sfida principale. La grande ’Q’

La sfida principale nell’adozione dell’IA è la qualità, la grande ‘Q’. Grazie all’apprendimento automatico, il sistema è in grado di elaborare dati complessi in maniera molto efficiente. E questo apre la possibilità a nuove intuizioni per clinici e ricercatori. La qualità è fondamentale e, al di là dell’accettazione, la qualità dei dati nell’EHR dovrà soddisfare gli standard clinici.

I registri clinici sono utilizzati per la raccolta dei dati. Come faranno gli operatori sanitari ad aggregare ed elaborare i nuovi flussi di dati? Tradurre l’IA in valore clinico dipenderà in gran parte da come i dati vengono raccolti ed elaborati. Sarebbe un bene permettere alle aziende di software di contribuire mettendo a disposizione la loro esperienza. Gli sviluppatori di software stanno lavorando per risolvere ogni tipo di problema nel settore bancario, manifatturiero, agricolo, ecc. Con l’aiuto degli operatori, l’erogazione dell’assistenza sanitaria beneficerà degli stessi processi utilizzati in altre aree di sviluppo del software.

Trasformare i risultati della medicina e del business

Uno dei problemi che si possono incontrare è la mancanza di risultati chiaramente definiti per progetti come questo. Avere casi d’uso chiaramente definiti aiuterà a ottenere i risultati che vorreste ottenere.

Mentre ci sono molte applicazioni dell’IA, eccone alcune che riguardano le applicazioni cliniche e non cliniche:

È importante iniziare con i nostri risultati. Provate a fare un passo indietro rispetto a ciò che state cercando di ottenere. Ora che abbiamo un’idea di quali sono le capacità, possiamo impostare i parametri che influenzeranno i risultati.

L’impatto dell’IA si concretizzerà in una:

1. Individuazione più rapida e accurata delle malattie.
2. Automazione dell’analisi dei dati, cioè sistemi di classificazione incorporati.
3. Diminuzione delle visite di controllo non necessarie.
4. Diagnostica più obiettiva e basata sui dati.

Applicazioni top - Applicazioni pratiche e trasformazione dell’erogazione di assistenza sanitaria

Ecco alcuni esempi delle migliori applicazioni dell’IA. Queste aziende hanno casi d’uso chiaramente definiti.

Capillary.io è un’azienda leader nell’IA che lavora nel campo della reumatologia e fornisce una soluzione all-in-one per la capillaroscopia, (utilizzata per rilevare i cambiamenti nei capillari sanguigni delle unghie per la diagnosi e il follow-up di malattie come la sclerodermia).

Veye Lung Nodules è una soluzione basata sull’intelligenza artificiale per la gestione dei noduli polmonari nella TAC del torace. Rileva, misura, classifica e segue la crescita dei noduli polmonari piccoli fino a 3 mm. Con le impostazioni predefinite, Veye Lung Nodules rileva i noduli con una sensibilità del 90%. Aidence ha ricevuto un premio da Health and Care Award per il contributo dato al National Health Service (NHS) del Regno Unito nella riduzione della mortalità da cancro ai polmoni.

Savana è un’azienda medica internazionale che ha sviluppato una metodologia scientifica basata sull’applicazione dell’intelligenza artificiale (IA) per sbloccare il pieno valore clinico delle cartelle cliniche elettroniche (EHR) a testo libero, mettendole nelle mani degli operatori sanitari così da migliorare la conoscenza medica in tutto il mondo. Con la rete di ricerca IA multicentrica più grande del mondo, l’azienda conduce studi descrittivi e predittivi Deep Real World Evidence su misura per far progredire la medicina personalizzata e di precisione. Savana è pensata da medici per medici e vanta i più alti standard di privacy. I progetti vengono offerti in cinque lingue: Inglese, spagnolo, francese, tedesco e portoghese.

L’assistenza sanitaria aumentata dall’IA è oggi possibile

1. I modelli diventeranno sempre migliori con il tempo.
2. L’accettazione aumenterà e l’adozione diffusa è una possibilità reale.

Come iniziare il tuo programma? Un programma di successo inizia con una solida strategia basata sui dati:

Dati → Modello di apprendimento automatico.

I dati sono la sfida numero uno quando si tratta di apprendimento automatico. Ecco alcune domande da porsi quando si avvia un progetto:

1. A quali dati abbiamo accesso?
2. Quali dati non sono accessibili, ma potrebbero esserlo se necessario?
3. Quali dati, pur non essendo disponibili oggi, potrebbero esserci utili nei prossimi 6-12 mesi?
4. Qual è il bias nei nostri dati e/o fonti di dati?

Come sapere se sei pronto

Definisci il tuo problema aziendale. Potrebbe essere risolto usando l’apprendimento automatico? Quali sono le metriche di successo? Non tutti i problemi sono risolvibili per mezzo dell’apprendimento automatico. Se seguite un approccio del tipo vediamo che succede, potreste finire per sprecare risorse.

Gli stakeholder dovrebbero essere disponibili e sostenere lo sforzo. È anche bene avere un team tecnico a disposizione in modo da lavorare in modo coordinato.

Impegnarsi in un progetto del genere potrebbe voler dire aver bisogno di molto know-how tecnico. Approfittate degli strumenti esistenti e in grado di aiutarvi. Le aziende menzionate in precedenza hanno fatto il “lavoro sporco”. I flussi di lavoro che riguardano il compito che dovete svolgere vi snelliscono il carico, permettendovi di concentrarvi su ciò in cui potete esprimervi al meglio.

Ecco alcune idee su come rispondere ai bisogni clinici con le soluzioni IA

1. Raccolta di dati - l’IA vive di dati e si basa su precisi principi scientifici. Raccogliamo un gran numero di dati di alta qualità da diverse modalità, ospedali e Paesi, e rendiamo anonimi gli studi per elaborarli in linea con il GDPR.
2. Annotazioni - I radiologi devono annotare le scansioni ottenute per “insegnare” al modello IA; per garantire un’elevata accuratezza, è preferibile impiegare più lettori per ogni scansione.
3. Modellizzazione - Questa fase comprende l’addestramento del modello e la definizione del risultato dell’algoritmo basato sulle indicazioni delle società mediche e sugli input dei radiologi.
4. Convalida clinica - Le prestazioni di un modello IA sono convalidate su un set di test. Questo set di dati è indipendente da quello utilizzato per addestrare l’algoritmo e contiene la verità di base - la valutazione finale dei radiologi. Per far progredire la ricerca, i risultati della convalida vengono resi pubblici.
5. Integrazione del prodotto - Integriamo i nostri strumenti nel flusso di lavoro preesistente dei radiologi e nell’infrastruttura IT.
6. Certificazione - La documentazione tecnica contenente il rapporto di valutazione clinica e la valutazione dei rischi del dispositivo viene presentata a un organismo notificato (cioè un’organizzazione designata per valutare la conformità di certi prodotti prima del rilascio sul mercato).
7. Implementazione - L’implementazione della soluzione IA nella pratica clinica significa integrazione del sito, pilotaggio e test. Il processo non finisce con l’implementazione – la progettazione e l’assistenza sono altrettanto importanti per mantenere la qualità della soluzione. Il feedback degli utenti e un solido piano di sorveglianza post-vendita sono ciò che ci permette di continuare a migliorare.

Risultati. Pianificare a lungo termine. Con un sistema come questo, sarete facilmente in grado di crescere. I dati sono gestiti per voi, cosa che non è tipica di molte organizzazioni e pratiche sanitarie.

Conclusioni

L’IA e la diagnosi medica sono una nuova frontiera. Con i recenti eventi mondiali, gli approcci precedentemente discussi entreranno presto a far parte dell’assistenza sanitaria tradizionale. Ottenendo il giusto supporto e approfittando di ciò che è ora disponibile, è possibile avere successo. I progetti di IA richiedono una pianificazione proprio come qualsiasi altra implementazione.

Suggerimento: Se volete sapere come il nostro strumento può aiutarvi a risparmiare tempo e risorse nella valutazione dei pazienti reumatologici utilizzando la capillaroscopia periungueale contattateci qui.

Victor Phillips è un medico, scrittore di healthtech e consulente aziendale. Contattatelo per far sì che vi aiuti con il vostro prossimo progetto.