L’intelligenza artificiale impatterà in modo radicale sulla sanità dei prossimi anni, anche se non è ancora chiaro come e in quali ambiti andrà a collocarsi. Alcune applicazioni pratiche dell’IA in sanità sono state illustrate nel corso di una sessione del XXIV Convegno Nazionale AIIC.
L’IA rappresenta un tema di frontiera estremamente divisivo rispetto alle sue applicazioni pratiche. Tuttavia, la sua introduzione in ambito sanitario è rivoluzionaria e non solo con riguardo alle sue capacità predittive.
Predizione e prevenzione
L’IA in corsia fa, difatti, molto di più: evidenziando i fattori di rischio che espongono il paziente a determinati eventi, consente al clinico di mettere a punto strategie personalizzate finalizzate proprio alla prevenzione di quei rischi.
Naturalmente, occorre ricordare che l’IA in sanità rappresenta solo uno strumento in più nelle mani del clinico.
«Proprio per enfatizzare questo aspetto, lo scorso 5 aprile l’American Medical Association, ha deciso di adottare il termine augmented intelligence come una concettualizzazione dell’intelligenza artificiale che si concentra sul ruolo di assistenza dell’IA, sottolineando che la sua progettazione migliora l’intelligenza umana piuttosto che sostituirla», ha ricordato Diana Ferro, Research and Data Scientist presso l’Ospedale Pediatrico Bambino Gesù di Roma, introducendo una sessione dedicata all’IA nel corso del XXIV Convegno nazionale AIIC.
Deep learning per prevedere rischi di chetoacidosi nei diabetici
Nonostante nel tempo siano stati identificati molteplici fattori di rischio che espongono i pazienti con diabete tipo 1 alla chetoacidosi diabetica, è ancora arduo prevedere episodi pericolosi e costosi di chetoacidosi.
Uno studio, cui ha preso parte la stessa Diana Ferro, ha utilizzato il deep learning, nello specifico un modello di memoria a breve termine, per prevedere il rischio di ricovero ospedaliero a 180 giorni per chetoacidosi nei giovani con diabete di tipo 1.
Attraverso l’analisi di una mole enorme di dati è emerso che 593 pazienti erano a rischio di aumento glicemico nei 180 giorni successivi all’ultima visita ambulatoriale, di cui 69 inclusi nel programma RPM – Remote patient monitoring, di monitoraggio del glucosio da remoto attraverso sensori; di questi ben il 62% non ha subito un deterioramento della propria condizione clinica, consentendo una ridotta ospedalizzazione e un risparmio per il SSN.
Altresì, in un secondo momento sono stati inclusi nella stratificazione dei dati anche pazienti che avevano tolto il sensore dopo un periodo di tempo. I dati hanno spinto un numero crescente di soggetti ad adottare il sensore per il rilevamento della glicemia, il cosiddetto “cerotto” (+15%) ovvero strumenti di monitoraggio continuo della glicemia – CGM.
Disparità sociali
Nonostante i dati interessanti emersi, l’utilizzo di strumenti di machine learning solleva, soprattutto negli USA, un problema di disparità sociale in relazione all’addestramento degli algoritmi che imparano da bambini maschi bianchi.
Un altro elemento emerso è il fatto che non tutte le IA sono uguali ma per ogni caso d’uso ne va utilizzata una diversa. Un altro elemento cruciale è sensibilizzare le strutture sanitarie e i professionisti circa la necessità di avere personale specializzato per la gestione dell’intelligenza artificiale, che rappresenta uno strumento utile non soltanto per la predizione in ambito genetico, ma anche per indagini in altri ambiti.
Progetti di IA e ritardo italiano
Nel corso della sessione, durante la quale sono stati presentati numerosi progetti, tra i quali quello di ottimizzazione dell’interpretazione delle linee guida cliniche tramite large language models per l’ottimizzazione della gestione dell’epatite C, presentato da Simone Kresevic, dell’Università degli Studi di Trieste, è stato anche evidenziato il ritardo con cui ci si scontra negli ospedali italiani, non solo vetusti da un punto di vista strutturale ma anche organizzativo per quanto riguarda la gestione dei dati.
Infatti, questi sono in molti casi ancora annotati a penna o matita, il nostro data space è rappresentato da file Excel, oltre a una serie di problemi connessi al GDPR che ostacolano il pieno dispiegamento di queste nuove strumentazioni, cruciali tanto per la ricerca quanto per l’ambito clinico, che necessitano però di una qualità del dato che ancora manca.
