Le applicazioni di Intelligenza artificiale sono già una realtà in specifici ambiti clinici, in particolare per supportare la diagnosi. Evoluzioni in corso riguardano l’utilizzo dell’AI per adattare le scelte terapeutiche allo stato clinico e per ottimizzare il tempo medico dedicato al paziente.
Ma come tutte le soluzioni innovative, anche l’AI deve affrontare una serie di sfide: al centro il superamento di una visione parcellizzata, che renda l’Intelligenza artificiale uno dei pilastri portanti di un’effettiva ed efficace digital transformation della sanità, soprattutto in un contesto di diffusione della digital health.
Lo scenario attuale
La crescita esponenziale dell’infrastruttura digitale nel mondo sanitario mette a disposizione un enorme e complesso patrimonio di dati clinici digitali. Questo rende possibile l’applicazione a svariati campi della medicina, della ricerca clinica e della salute pubblica sia di metodi e tecniche di big data analysis, sia di algoritmi di intelligenza artificiale.
I sistemi di Intelligenza Artificiale si basano spesso su reti neurali, ossia su modelli matematici in grado di simulare le capacità cognitive umane e di apprendere dai dati con cui vengono alimentati. Inoltre, gli algoritmi di AI permettono di giungere a conclusioni senza ulteriori input umani.
La Figura 1 riassume il legame tra AI, machine learning ed un particolare tipo di reti neurali, quali quelle basate sul deep learning.
Immagini diagnostiche e AI
Al momento, il principale campo applicativo, per numerosità, rimane quello dei sistemi AI in grado di analizzare le immagini diagnostiche e formulare autonomamente delle diagnosi o di supportare il clinico nell’individuazione e nel riconoscimento di probabili segni distintivi di possibili patologie. Un tipico esempio è rappresentato da sistemi di analisi automatica delle bio-immagini, come quelle radiologiche tomografiche e di risonanza magnetica, capaci di diagnosticare in modo automatico o semi-automatico specifiche patologie.
In questo campo, sistemi evoluti di AI oltre a migliorare la diagnosi ed il suo livello di dettaglio hanno significative implicazioni in termini di minori diagnosi errate, selezione del più opportuno trattamento e riduzione degli sprechi. Recenti studi hanno stimato, ad esempio, che nei soli Stati Uniti sono prodotte 12 milioni di diagnosi errate ogni anno e, soprattutto, che una percentuale dal 30% al 50% degli 80 milioni di esami CT scan prescritti ed eseguiti non è necessaria e quindi evitabile. I sistemi di machine learning applicati alle immagini mammografiche e agli esiti delle biopsie hanno già dimostrato che il 30% degli interventi al seno può essere evitato.
Recentemente un algoritmo prodotto da Google, capace di elaborare le immagini ad alta risoluzione (gigapixtel) grazie a una rete neurale convoluzionale (CNN), si è dimostrato capace di individuare le metastasi con un’accuratezza del 92% vs. 73% dei patologi. Significativi sono i risultati raggiunti anche con sistemi di DNN (Deep neural networks) per la diagnosi di tumori della cute, per i quali nel 2017 è stata raggiunta la parità di accuratezza della diagnosi tra sistemi AI e dermatologi su un campione di 129.450 immagini.
Vantaggi della Knowledge Extraction
Ancora maggiore è il potenziale impatto degli algoritmi di “knowledge extraction”, ovvero dei sistemi in grado di estrarre nuova conoscenza dai dati di cui già disponiamo. In medicina, questi algoritmi permettono di identificare nuovi segnali predittivi dell’insorgenza di alcune malattie o di individuare correlazioni non ancora note fra i risultati di diversi esami clinici comunemente prescritti. La caratteristica di questi sistemi è quella di evidenziare andamenti nei dati che possono essere predittivi dello sviluppo di patologie. Se pensiamo ad applicazioni di genomica o di metagenomica, discipline nelle quali le tecnologie oggi disponibili producono quantità elevatissime di dati per singolo esame, è facile intuire il ruolo che questi sistemi possono giocare nella ricerca scientifica.
Infine, in ambito di big data analysis, è opportuno citare i sistemi di “business intelligence” che stanno trovando in campo sanitario molteplici ed utili applicazioni. Si tratta di sistemi in grado non solo di analizzare in tempo reale enormi quantità di dati strutturati, ma anche di rappresentarli con indicatori di sintesi dinamici disponibili in real o near time. Grazie ad essi è possibile, ad esempio, valutare e simulare in tempo reale l’occupazione delle sale diagnostiche o dei posti letto in ospedale, per gestire al meglio le risorse ed analizzare l’efficacia dei percorsi clinici. Permettono, ad esempio, di comprendere l’impatto sul percorso di cura dei dispositivi medici innovativi. Si tratta di strumenti essenziali per garantire la sostenibilità del sistema, guidando l’utilizzazione delle risorse a disposizione nel modo più efficace possibile.
Trend di sviluppo dell’AI in sanità
Alcune applicazioni recenti mettono in luce il potenziale dirompente delle applicazioni di AI per il mondo della sanità. Si stanno dimostrando infatti in grado di cambiare l’intero paradigma di erogazione dei servizi di salute, non limitandosi più al momento della diagnosi.
La ditta Varian, per esempio, ha recentemente introdotto sul mercato un acceleratore lineare, denominato Ethos, che utilizza differenti moduli di AI (Figura 2) in varie fasi del processo di pianificazione per migliorare il targeting durante la radioterapia. È in grado di sviluppare e proporre un piano di trattamento che tiene conto degli obiettivi terapeutici di ciascun paziente, utilizzando modelli predefiniti e immagini acquisite in precedenza. Questo grazie a strumenti di planning e contouring basati su algoritmi di intelligenza artificiale. In seguito, durante il corso della terapia, il sistema è capace di correggere e adattare il piano di trattamento alla reale evoluzione dello stato clinico.
Figura 2 – Il sistema per radioterapia Varian Ethos con la schematizzazione della rete neurale utilizzata per la definizione dei piani di trattamento
In altri casi le applicazioni AI sono utilizzate per standardizzare i processi di acquisizione diagnostica e renderli operatore indipendente come accade col sistema Caption health (Figura 3). Si tratta del primo sistema AI guidato per l’acquisizione corretta di immagini da parte di un sonographer di ecocardio 3D. Questo esempio rappresenta un rilevante cambio di scenario applicativo nel quale i processi di acquisizione di dati diagnostici specialistici «liberano» ed ottimizzano il tempo medico dedicato ai pazienti. Con questo sistema, infatti, l’operatore è guidato dal dispositivo fintanto che l’esame acquisito, tipicamente operatore dipendente, non ha le caratteristiche ottimali per essere refertato da uno specialista cardiologo “offline”.
Difficile, infine, non citare l’esperienza di Babylon GP at Hand già adottato in alcune zone della Gran Bretagna grazie ad una partnership con l’NHS. Si tratta di un sistema software basato su diversi moduli di AI (NLP, AI Chatbot, Machine Learning, knowledge graph) e nato per erogare servizi sanitari di natura generalista. Il sistema mette non solo in collegamento video il medico curante con il paziente che chiede un consulto, ma guida anche in maniera dinamica il curante (Figura 4) per ottimizzare e personalizzare il processo diagnostico, interpretando in tempo reale le risposte del paziente, suggerendo la terapia e richiedendo, ove necessario, ulteriori approfondimenti diagnostici.
Figura 4. Babylon GP at Hand
Il panorama che si affaccia oggi ai nostri occhi, in pratica, vede in un futuro ormai prossimo un uso diffuso dell’AI, con applicazioni che si ramificano in ogni aspetto dei processi clinici. La Figura 5 seguente esemplifica i possibili impieghi dell’AI lungo tutto l’arco di vita di una persona.
Intelligenza artificiale in sanità, ostacoli allo sviluppo
Il mercato delle applicazioni di Intelligenza Artificiale in sanità è stimato in forte crescita. Si prevede che passerà dai 4,9 miliardi di dollari nel 2020 ai 45,2 miliardi di dollari entro il 2026 con un CAGR (Compound Annual Growth Rate) del 44,9%.
I principali fattori che guidano la crescita del mercato sono: il volume crescente di dati sanitari e la loro sempre maggiore complessità; il miglioramento della potenza di calcolo e il calo dei costi hardware; l’aumento del numero di partnership e collaborazioni intersettoriali; la crescente necessità di ridurre i costi sanitari e il sempre maggiore squilibrio nel rapporto tra il personale sanitario ed il numero di pazienti da seguire, che determina la necessità di un cambiamento nei processi diagnostici e terapeutici.
Un altro importante fattore trainante, che alimenta la crescita del mercato, è l’adozione di questa tecnologia da parte delle aziende farmaceutiche e biotecnologiche in tutto il mondo per accelerare i processi di sviluppo di vaccini o farmaci, come avvenuto recentemente per affrontare il COVID-19.
La principale limitazione per il mercato è costituita dalla riluttanza delle strutture sanitarie ad adottare tecnologie basate sull’AI e dalla mancanza di forza lavoro qualificata. Sebbene molte applicazioni abbiano già dimostrato il loro valore in specifiche aree cliniche, in termini almeno diagnostici, innegabili sono alcune barriere di ingresso che ne limitano la traduzione in benefici per il sistema.
Lo sviluppo e la diffusione di applicazioni di AI in sanità rappresenta una sfida importante e dall’esito tutt’altro che scontato. Come è avvenuto per altre applicazioni innovative ad alto impatto, siamo probabilmente ancora in una fase in cui l’introduzione dei sistemi, essendo parziale, fatica ad incidere in modo significativo sui processi ed a mostrare tutti suoi benefici. Il ruolo dell’AI non è però destinato a rimanere circoscritto in specifici ambiti applicativi.
È importante già essere coscienti che l’intelligenza artificiale sebbene si declini oggi in molteplici applicazioni tecnologiche, rappresenta un paradigma pervasivo che, però, necessita di raggiungere una massa critica per modificare in modo significativo i processi di erogazione dei servizi di salute. Implica variazioni organizzative, programmi di medio termine ed una razionalizzazione degli investimenti; in altre parole richiede una precisa strategia evolutiva.
L’AI si candida ad essere uno dei pilastri portanti della digital transformation della sanità essendo l’unico strumento a disposizione per sfruttare i vantaggi della digitalizzazione dei processi, rendendoli gestibili dalle organizzazioni sanitarie. Può rappresentare il tassello mancante per mettere a sistema ed a valore l’innovazione tecnologica cui abbiamo assistito nel corso degli ultimi anni.
Realtà e limiti della smart health
Se riflettiamo sui principali trend cui abbiamo assistito, non possiamo non vedere la straordinaria convergenza fra dispositivi medici e tecnologie di comunicazione. Questa tendenza si è concretizzata in una serie ampia di applicazioni che vanno dallo sviluppo di smart medical device, alla diagnostica digitale (digital diagnostic), a nuove possibilità di erogare servizi in assistenza remota, fino alla conduzione di nuove forme di trial clinici maggiormente incentrati sul paziente.
L’insieme di queste tecnologie è oggi inquadrato in un ampio contesto definito “smart health”, espressione che ben riassume la pervasività che tali modelli implicano. La vera rivoluzione non è rappresentata dalla mera disponibilità di tecnologie sempre più mature e sofisticate utilizzabili in questo ambito, ma dal fatto che la smart health si candida a rappresentare un modello innovativo, e per alcuni versi alternativo all’attuale, di offrire dei servizi di salute.
Tuttavia, in Italia, le esperienze di smart health sono state frammentarie e parziali, il mercato non è ancora presidiato e non è presente un modello di riferimento, nonostante la forte esigenza dei molteplici soggetti interessati. I motivi sono prevalentemente da ricercare in due fattori determinanti: la mancanza di sistemi di remunerazione adeguati e l’assenza di un modello di riferimento in grado di garantire un’adozione di questi sistemi strutturata e non parziale.
Per comprendere le funzioni e le potenzialità dei paradigmi di smart health, possiamo fare riferimento ai tre principali ambiti applicativi in cui tali sistemi possono essere utilizzati, sintetizzati nella tabella seguente:
| Ambiti | Descrizione | Note |
| Gestione della Cronicità | Presa in carico del paziente per:
| Tipiche patologie aggredibili sono: Cardiopatie, Diabete, Malattie respiratorie croniche, patologie neurodegenerative |
| Deospedalizzazione precoce | Monitoraggio a distanza, dei pazienti dimessi (specie post chirurgici), al fine di ridurre i giorni di ospedalizzazione e consentire:
| Rivolto a pazienti, in prevalenza post-chirurgici, eleggibili ad una dimissione anticipata tramite specifico protocollo clinico. Si tratta di progetti di così detto “virtual bedside”. In pratica, il paziente viene dotato di sistemi di monitoraggio che consentono al personale ospedaliero di seguirne l’evoluzione in convalescenza. |
| Servizi Ambulatoriali ed Out Of Pocket |
| Si tratta di:
|
Smart health, scenari di utilizzo
Gestione delle malattie croniche, deospedalizzazione anticipata e personalizzazione dei servizi di salute sono, in ordine di priorità, le sfide cruciali che affrontano tutti i sistemi sanitari dei Paesi industrializzati del mondo. Per dare un’idea delle dimensioni di riferimento, l’OMS (Organizzazione Mondiale della Sanità) ha stimato che fino all’85% dei costi in sanità è ricollegabile alla cronicità.
Nel nostro Paese la spesa per la gestione delle patologie croniche si assesta intorno a 66,7 miliardi di euro e nel 2017 il 40% della nostra popolazione (24 milioni) risultava affetta da almeno una malattia cronica, mentre 12.5 milioni di cittadini italiani soffrono di multicronicità.
Le proiezioni della cronicità indicano che per il 2028 il numero di malati cronici salirà a 25 milioni, mentre i multi-cronici saranno 14 milioni; la patologia cronica più frequente è l’ipertensione, con quasi 11 milioni di persone e ci si aspetta che nel prossimo decennio la popolazione degli ipertesi aumenti di circa 1 milione.
Ben si comprende pertanto come, viste le dimensioni epidemiologiche ed economiche del fenomeno, l’attenzione alla Smart Health come paradigma di cura delle malattie croniche sia centrale. E’ stato stimato, con riferimento agli USA, che l’impiego diffuso della digital health nella prevenzione e gestione del diabete, nella gestione dell’asma e nella riabilitazione cardiaca e polmonare permetterebbe di risparmiare l’1.4% dei costi ($ 7 miliardi).
La deospedalizzazione anticipata tramite monitoraggio in remoto, opportunamente gestita, rappresenta una risposta all’esigenza di contenere i ricoveri oltre soglia, già monitorati dal Programma Nazionale Esiti (PNE) che dimostra come il valore sia ampiamente migliorabile. Un focus specifico su interventi per la gestione di patologie neoplastiche ha segnalato che la degenza media supera, nella quasi totalità dei casi, la degenza media entro valore soglia. Ad esempio, per l’intervento di isterectomia (DGR 353) su un totale di 8.464 dimissioni, il 3,9% delle stesse è oltre il valore soglia (7,8 gg vs. 6.6 gg. degenza media entro valore soglia). Infine, la dimissione oltre soglia media avviene, nella gran parte dei casi, il IV°gg oltre soglia (o superiori); portando il numero di giornate di degenza recuperabili dal sistema sanitario a valori significativi.
I benefici dell’integrazione tra la digital health e gli usuali percorsi clinici sta dimostrando i suoi benefici sia in termini di prevenzione degli accessi inappropriati/evitabili, come nel caso dell’applicazione MyCOPD per i pazienti con BPCO (broncopatia cronica ostruttiva), sia sugli outcomes clinici rilevanti come la mortalità. Esemplificativo è il caso dell’applicazione Moovcare per il tumore del polmone, per la quale sono stati dimostrati i benefici in termini di sopravvivenza. Non meno significativo è il legame tra i programmi di wellness proposti sui luoghi di lavoro ed i risparmi potenziali in termini di spesa sanitaria. È stato stimato un risparmio pari a $3.27 per ogni dollaro speso in questi programmi.
Un sistema di smart health è centrato su flussi dati continui che possiamo esemplificare sul modello della Figura 7.
Lo short loop è il flusso di informazioni corrispondente al monitoraggio autonomo del paziente, attraverso il quale l’utente può tenere sotto controllo continuamente il proprio stato di salute e verificare il proprio livello di adesione alle indicazioni ricevute (es. svolgimento attività fisica, assunzione farmaci, dieta, …). Il long loop si riferisce, invece, al flusso di informazioni tramite cui si concretizza il monitoraggio da parte della struttura sanitaria. Garantisce l’interazione medico-paziente in maniera semplice, immediata e sicura in conformità ai paradigmi della tele-salute. Si tratta di un flusso dati continuo, imponente, eterogeneo e legato alle specifiche esigenze del paziente, che viene dotato dell’insieme di smart devices più adeguati al suo stato clinico.
Figura . Flussi dei dati in un sistema di smart health.
Convergenza tra AI e smart health
La smart health rappresenta quindi sicuramente la miglior soluzione all’evoluzione dei sistemi sanitari, ma il vero punto critico è rappresentato dall’incapacità di gestire in modo efficace l’enorme mole di dati sanitari che si genera per singolo paziente.
Estremizzando un po’ il concetto potremmo dire che la capacità di raccogliere dati digitali è progredita molto più rapidamente del nostro modo di gestirli e metterli a valore.
Gli smart devices possono oggi trasmettere in tempo reale impressionanti quantità di dati relativi ai parametri clinici del paziente oggetto di monitoraggio, alla sua attività fisica ed al suo lifestyle. Uno dei principali limiti ad un utilizzo efficace di queste tecnologie è legato all’impossibilità di analizzare i dati in tempo reale, individuando ed anticipando i segni premonitori di un peggioramento dello stato clinico ed intervenendo in modo proattivo.
Le organizzazioni sanitarie, infatti, non hanno oggi in genere la capacità di mettere a sistema queste informazioni aggiuntive. Si tratta di una sfida che gli strumenti di AI possono consentire di vincere. La convergenza fra AI ed i paradigmi di smart health potrebbe rappresentare una rivoluzione epocale. È il passaggio mancante per arrivare ad un nuovo modello di erogazione dei servizi di salute.
Non è una realtà lontana o futuribile. In altri settori, i sistemi di profilazione basati su AI, basandosi continuamente sui nostri consumi, le nostre abitudini di navigazione sul web, i nostri spostamenti, le nostre abitudini sociali, selezionano le proposte commerciali da inviare alle nostre mail, gli annunci che compaiono sulle nostre pagine social, i “consigli per gli acquisti” che compaiono nelle pagine web che consultiamo.
Se pensiamo ad un cammino in cui questa capacità di analizzare ed interpretare i dati viene messa a disposizione dei servizi di salute è facile intravedere un punto di arrivo nel quale il monitoraggio dei pazienti può essere diffuso, personalizzato ed indipendente dal luogo in cui si trovano.
I dati che alimenteranno il profilo clinico nelle strutture sanitarie di riferimento potranno essere analizzati di continuo da algoritmi di AI che segnaleranno ai clinici, in modo sempre più raffinato, la necessità di un intervento proattivo o le modifiche ai piani terapeutici.
