L’Intelligenza Artificiale generativa (GenAI) sta riscontrando un interesse crescente nel settore sanitario, aprendo nuove prospettive nell’innovazione medica e nella gestione dei pazienti. La tecnologia offre possibilità rivoluzionarie in diversi ambiti applicativi, con un impatto significativo sulla catena del valore delle aziende sanitarie.
Tuttavia, l’introduzione della GenAI nel panorama sanitario non è esente da sfide e rischi potenziali che richiedono adeguate misure preventive. In questa complessa dinamica tra opportunità e rischi, il futuro dell’IA generativa nel settore salute merita un approfondimento accurato e ponderato
Le opportunità dell’IA generativa in Sanità
Per le aziende che operano nel settore della salute la nuova capacità di creare modelli per linguaggi di qualunque tipo, e quindi anche per i “linguaggi” della chimica e della biologia, consentirà di accelerare il processo di ricerca e sviluppo in ambito biochimico, riducendo i costi ed aumentando le probabilità di successo per la definizione di terapie più efficaci e la creazione di dispositivi medici avanzati.
Analogamente, l’aumentata capacità dei modelli di identificare correlazioni latenti in grandi quantità di dati medici supporterà diagnosi sempre più accurate e tempestive delle malattie, migliorando l’efficacia dei trattamenti e riducendo i tempi di recupero.
La rivoluzione è iniziata e non si può rimanere indietro. Per comprendere come debba essere progettato il percorso di adozione di questa tecnologia e per massimizzare le opportunità di successo, è opportuno conoscere i fondamenti dell’intelligenza artificiale, generativa e classica. L’obiettivo è garantire un vantaggioso rapporto costi-benefici, tenendo in conto l’utilizzo efficace delle risorse (il cui costo può diventare ingente), la trasformazione profonda che molti lavori subiranno, i cambiamenti organizzativi da attuare, le nuove professionalità da ricercare o formare. Aspetto fondamentale di questa trasformazione è anche la cosiddetta “doppia compliance”: da una parte, con la regolamentazione del settore, dall’altra con le norme in corso di consolidamento relative ad un utilizzo etico, sicuro e sostenibile dell’IA.
IA generativa in Sanità: l’applicazione in radiologia
L’IA generativa sta trovando importanti applicazioni nell’ambito della radiologia, consentendo, ad esempio, di supportare il processo diagnostico attraverso la refertazione automatizzata delle immagini radiologiche. Questa tecnologia sta colmando il divario tra la crescente domanda di analisi di dati complessi e la disponibilità limitata di radiologi.
Alcuni dei vantaggi chiave dell’utilizzo dell’IA generativa in radiologia includono:
- Aumentare l’efficienza del workflow: i sistemi di IA generativa possono analizzare rapidamente le immagini radiologiche, identificare anomalie e produrre referti preliminari, consentendo ai radiologi di concentrarsi sulle parti più complesse della diagnosi.
- Ridurre i tempi di refertazione: l’automazione del processo di refertazione attraverso l’IA può significativamente accelerare la disponibilità dei referti, migliorando l’esperienza del paziente e permettendo di prendere decisioni terapeutiche in modo più tempestivo.
- Migliorare la coerenza e l’accuratezza: i sistemi di IA generativa applicano in modo uniforme criteri di valutazione delle immagini, riducendo la variabilità inter-operatore e aumentando l’affidabilità dei referti.
- Supportare i radiologi in formazione: l’IA può fungere da “assistente virtuale”, fornendo supporto e feedback ai radiologi meno esperti durante l’interpretazione delle immagini.
È importante sottolineare che l’IA generativa in radiologia non mira a sostituire il ruolo del radiologo, ma piuttosto a complementarne le capacità, liberandolo da compiti routinari e consentendogli di concentrarsi sugli aspetti più complessi della diagnosi. In questo modo, la collaborazione uomo-macchina può portare a una migliore qualità delle cure per i pazienti.
Redazione
L’importanza dell’IA generativa
È almeno dal 2016 che l’intelligenza artificiale ha iniziato lentamente a farsi strada nelle aziende, ma il rilascio di ChatGPT di OpenAI nel 2023 ha avuto un effetto assimilabile alla nascita di Netscape rispetto alla tecnologia di Internet negli anni Novanta.
Per generare contenuti testuali si utilizzano i modelli noti come Large Language Model (LLM) che, opportunamente addestrati su enormi quantità di testi, hanno la capacità di comprendere un contesto specifico di richiesta (prompt) e, in base ad esso, generare ed elaborare un sofisticato output in linguaggio naturale.
Se ChatGPT ha mostrato quanto un’applicazione che opera con modelli di IA generativa possa essere utilizzata con efficacia anche dai non addetti ai lavori, il più recente LLM su cui si basa, GPT-4, è solo uno dei tanti disponibili sul mercato, sia in modalità privata che Open Source. Ad oggi, le applicazioni di questi modelli sono innumerevoli ed in esponenziale aumento. Nella tabella sottostante ne citiamo un piccolo sottoinsieme:
– da Capgemini Research Institute ed elaborazione Capgemini Invent
La portata del fenomeno GenAI
Allargando la ricerca al livello applicativo, si può avere un’idea del panorama immenso di disponibilità: pur in assenza di informazioni strutturate e da fonti controllate, la quantità di informazioni diffuse sui canali che si occupano di AI in modo amatoriale risultano significative per comprendere la portata del fenomeno.
L’accessibilità e la sua facilità d’uso, anche per i non addetti ai lavori, rendono questa tecnologia destinata a rivoluzionare il nostro modo di lavorare, aumentando la nostra produttività, diminuendo lo stress dei lavori ripetitivi e abilitando nuove forme di collaborazione uomo-IA che promettono il raggiungimento di risultati inimmaginabili.
Un recente rapporto di OpenAI stima che l’80% dei lavori attuali può incorporare, in percentuali diverse, la tecnologia e le capacità dell’IA generativa, con un inevitabile impatto su organizzazioni, processi, persone. In particolare, le decisioni prese oggi riguardo a questa tecnologia sono destinate a trasformare il panoramadella gestione farmaceutica e, in generale, possono avere un profondo impatto sul futuro delle aziende che operano in ambito healthcare.
Un utilizzo efficace dell’intelligenza artificiale, generativa e non, già oggi consente – e sempre di più lo farà in futuro – di accelerare la scoperta di nuovi farmaci per malattie attualmente incurabili, di accelerare la scoperta di nuove indicazioni per farmaci già esistenti, di abbreviare i tempi e i costi dei trial clinici e molto altro.
Da un’indagine promossa nel 2023 dal Capgemini Research Institute risulta che il 98% del top management delle aziende del settore Healthcare citano l’IA generativa come argomento presente nella maggior parte dei rispettivi consigli di amministrazione; il 58% dichiara di essere forte promotore del valore dell’IA Generativa; il 42% ha già destinato specifico budget e risorse all’integrazione di questa tecnologia nei piani di sviluppo di prodotti e servizi, con un incremento atteso di produttività del 9% nei prossimi 3 anni.
IA generativa in Sanità: le Linee Guida dell’OMS
L’Organizzazione Mondiale della Sanità ha recentemente rilasciato linee guida che contengono oltre 40 raccomandazioni per garantire un uso etico e responsabile degli LMM nella salute. Questi modelli possono elaborare diversi tipi di dati (testo, immagini, video) e generare output vari, rendendoli particolarmente utili in vari ambiti della sanità.
Applicazioni e benefici dell’IA generativa in sanità
Le linee guida identificano cinque principali aree di applicazione degli LMM in sanità:
- Diagnosi e assistenza clinica: rispondere a domande dei pazienti.
- Utilizzo guidato dal paziente: Analisi dei sintomi e suggerimenti di trattamento.
- Compiti amministrativi: documentazione e gestione delle cartelle cliniche.
- Formazione medica: simulazioni per tirocinanti.
- Ricerca scientifica: identificazione di nuovi composti per farmaci.
Tuttavia, l’uso degli LMM comporta anche rischi significativi, come la possibilità di generare informazioni imprecise o distorte, che possono influenzare negativamente le decisioni sanitarie. Inoltre, esiste il rischio di bias nei dati di addestramento, che può portare a disuguaglianze nell’accesso alle cure.
Raccomandazioni per i governi e sviluppatori
L’OMS sottolinea l’importanza del coinvolgimento di vari stakeholder, inclusi governi, aziende tecnologiche e operatori sanitari, per garantire che gli LMM siano sviluppati e utilizzati in modo etico. Le raccomandazioni includono:
• Investimenti in infrastrutture pubbliche per l’accesso ai dati.
• Audit post-implementazione per valutare l’impatto e la sicurezza.
• Coinvolgimento degli utenti finali nella progettazione degli LMM12.
Queste linee guida rappresentano un passo importante verso un’implementazione responsabile dell’IA nella sanità, mirando a migliorare l’assistenza sanitaria globale e a ridurre le disuguaglianze.
Redazione
La necessità di un approccio strategico all’IA Generativa in Sanità
Non dobbiamo farci ingannare dall’apparente facilità di utilizzo. Poche tecnologie in passato hanno presentato un tale divario tra l’immediatezza con cui si possono costruire dei piccoli dimostratori (i cosiddetti Proof of Concept) su un contesto ben ritagliato, e la difficoltà nel far sì che possano integrarsi nell’operatività delle organizzazioni ed iniziare un processo di scale-up, venendo così adottati in modo pervasivo ed efficace.
I fattori principali che frenano lo scale-up
Tra i fattori principali che frenano lo scale-up ci sono sicuramente:
- la mancanza di dati nella forma, organizzazione, affidabilità, storicità o granularità necessarie;
- la disponibilità e capacità delle aziende di trovare i casi d’uso effettivamente adatti al proprio contesto;
- la difficoltà nel calcolare in anticipo i costi e i benefici del progetto per stilare un business case e ottenerne il finanziamento;
- la disponibilità di personale competente per gestirne la supervisione e il governo;
- la presenza di duplici vincoli regolatori, da un lato del mondo pharma, dall’altro del mondo dell’etica e dell’IA in corso di consolidamento nell’AI Act.
Quest’ultimo tema espone le aziende a significativi rischi legali e reputazionali, a cui si aggiunge il rischio di fuga di dati, come per tutti i progetti software che trattano dati sensibili.
Inoltre, i temi riguardanti il potenziale grande dispendio energetico generato dall’utilizzo dell’IA generativa, insieme alla concreta possibilità che i costi di utilizzo sfuggano di mano, costituiscono aspetti critici da tenere in considerazione.
Ciascuno dei rischi citati va affrontato e mitigato attraverso un approccio strategico integrato.
È importante, ad esempio, diffondere in azienda, soprattutto ai livelli manageriali, la conoscenza dei princìpi fondamentali di funzionamento dell’IA, per demistificare la tecnologia e toglierle sia l’aura di Oracolo, sia la diffidenza a priori.
Poiché i sistemi di IA generativa vengono alimentati con grandi quantità di contenuti esistenti, di cui imparano la distribuzione statistica sottostante per poi generarne di nuovi in accordo, è molto importante avere una consapevole supervisione dei dati di input – atta ad evitare bias ed errori – e organizzare un sistema di monitoraggio dei dati di output secondo il principio dello “human in the loop” – necessario in questa prima fase per procedere in sicurezza.
Un’altra importante regola da seguire è procedere in modo progressivo, attraverso fasi ben distinte caratterizzate da una metodologia rigorosa, avendo chiari i key performance indicators (KPIs) ed attraversando molteplici iterazioni fino a raggiungere risultati soddisfacenti prima di scalare alla fase successiva.
In tal modo si allarga il perimetro di applicazione e si aumentano gli investimenti in modo graduale e consapevole, massimizzando le probabilità di successo in relazione al capitale investito, con l’ulteriore vantaggio di assicurare robustezza e validità degli output, ma anche di diffondere progressivamente una cultura del cambiamento in azienda, consentendo a tutti di evolvere armonicamente. Questo paradigma si può riassumere con il mantra: “Start small, think big”.
Le tre fasi per un corretto sviluppo di progetti di Gen AI in Sanità
Per un corretto sviluppo di progetti di AI generativa abbiamo identificato 3 fasi:
Discover: condividere in azienda la consapevolezza del potenziale effettivo dell’AI generativa, identificare e prioritizzare possibili use case, dati necessari, soluzioni e partner tecnologici.
Build: approfondire le opportunità degli use case prioritari attraverso lo sviluppo di PoC con un approccio iterativo che consenta di minimizzare i rischi e massimizzare il potenziale di efficacia
Scale: una volta definito in modo soddisfacente il progetto con costi e benefici in scala, e pianificate le modifiche di tipo organizzativo e processuale adeguate alla gestione del cambiamento, è possibile completare gli sviluppi e integrare la soluzione definitiva del progetto di IA nell’ecosistema IT e nel modello operativo aziendale (persone, processi, dati, ethics & legal)
Gli ambiti di applicazione a maggiore impatto nelle aziende del settore Healthcare
L’intelligenza artificiale generativa ha il potenziale per essere una forza trasformativa in tutti gli aspetti della catena del valore delle aziende del settore healthcare, nonché nelle interazioni con clienti e dipendenti.
La tabella di seguito riassume alcuni dei principali ambiti di applicazione su cui si sta lavorando:
– da Capgemini Research Institute ed elaborazione Capgemini Invent
Diverse organizzazioni stanno già segnalando significativi aumenti di efficienza in diversi ambiti, resi possibili dall’intelligenza artificiale generativa.
Case Study: Evotec e Exscientia
L’azienda biotecnologica tedesca Evotec ha recentemente avviato una sperimentazione clinica per un nuovo composto antitumorale, un antagonista del recettore A2a, sviluppato in collaborazione con Exscientia. Questo composto è progettato per trattare pazienti adulti con tumori solidi avanzati e rappresenta il risultato più avanzato della loro joint venture.
Piattaforma di progettazione basata su IA
Il composto è stato sviluppato utilizzando la piattaforma di progettazione Centaur Chemist® di Exscientia, che sfrutta tecnologie di intelligenza artificiale per ottimizzare il processo di scoperta dei farmaci. Questa piattaforma consente di progettare molecole con alta selettività per il recettore A2a, riducendo al contempo gli effetti collaterali sistemici e l’esposizione al sistema nervoso centrale.
Meccanismo d’azione
Il recettore A2a è noto per il suo ruolo nel permettere alle cellule tumorali di sfuggire alla sorveglianza del sistema immunitario. Il nuovo composto mira a bloccare l’interazione tra l’adenosina, prodotta in elevate quantità dalle cellule tumorali, e il recettore A2a sui linfociti T, potenziando così l’attività antitumorale delle cellule immunitarie.
Impatto e prospettive
La sperimentazione clinica rappresenta un passo significativo verso l’implementazione di terapie innovative nel trattamento del cancro, con l’obiettivo di migliorare le opzioni terapeutiche disponibili per i pazienti. La collaborazione tra Evotec ed Exscientia sottolinea l’importanza dell’IA nella scoperta di farmaci, promettendo di accelerare il processo di sviluppo e di aumentare l’efficacia dei nuovi trattamenti.
Redazione
Premesso che vi è molta riservatezza in proposito, dalle informazioni disponibili pubblicamente emerge che le aziende più avanzate del settore stanno già realizzando soluzioni di intelligenza artificiale generativa con progetti pilota nella scoperta di farmaci e terapie e per generare, prevedere e comprendere dati biomolecolari. Organizzazioni biotecnologiche tra cui Cradle, Basecamp Research, Arzeda, Biomatter Designs, Cambrium e Absci stanno progettando intere nuove proteine utilizzando l’intelligenza artificiale generativa.
Un altro caso degno di nota è quello di Profluent Bio, un’organizzazione biotecnologica con sede negli Stati Uniti, che utilizza LLM per questo scopo sulla scia del successo di AlphaFold 2, sviluppato da DeepMind (azienda di AI acquisita da Google nel 2014), in grado di predire la struttura tridimensionale di una proteina a partire dalla sua sequenza di aminoacidi, con un’accuratezza eccezionale.
I benefici dell’IA generativa per le aziende del settore salute
Risulta evidente già da queste prime informazioni che il comparto è particolarmente avvantaggiato dall’utilizzo dall’intelligenza artificiale nel suo core business. Tuttavia, al di là degli utilizzi molto specifici per il settore, non è soltanto la ricerca e sviluppo ad essere impattata, ma potenzialmente ogni fase della catena del valore.
Tra i vantaggi che può portare alle organizzazioni si annoverano:
- il supporto data driven al processo decisionale;
- una migliore efficienza operativa;
- la possibilità di generare a basso costo esperienze estremamente personalizzate;
- riduzioni dei costi e maggiore capacità di innovazione, gestione del rischio, capacità predittiva e analisi sui contesti più diversi, a patto che siano disponibili i dati.
L’intelligenza artificiale generativa inoltre potrà rendere più efficiente la progettazione di prodotti e servizi, aiutando anche a renderli più inclusivi e accessibili.
Casi studio e applicazioni concrete
Solo a titolo di esempio indichiamo alcuni potenziali casi di utilizzo, alcuni generali, altri specifici per le aziende del settore Healthcare:
Ricerca e sviluppo: gestione dei clinical trials, automazione delle ricerche scientifiche.
Produzione: controllo qualità, valutazione e scouting dei Fornitori, manutenzione predittiva e diagnostica.
Distribuzione: virtual coach e servizi al paziente ed al cliente.
Marketing: generazione modulare di contenuti, assistente virtuale per il paziente, generazione di piani di trattamento personalizzati.
Affari Regolatori: valutazione del rischio, gestione negoziazione con le agenzie regolatorie.
IT e Funzioni Corporate: generazione di codici software, knowledge management, chatbot di supporto, controllo di qualità dei dati.
Le sfide future dell’implementazione dell’IA generativa
Implementare la GenAI e sfruttarne appieno i vantaggi non è semplice: è importante riconoscere i rischi potenziali e conoscere le misure da adottare preventivamente per mitigarli.
Un approccio strategico, l’identificazione di chiare linee guida per la scelta degli use case più adatti, un metodo per iterare e approfondire gli sviluppi mantenendo il controllo sui costi, garantire l’allineamento degli obiettivi con la strategia di business e la definizione di nuovi KPI per valutare i benefici sono elementi fondamentali per garantire un’implementazione vantaggiosa ed efficace.
Allo stesso tempo, la continua supervisione delle evoluzioni normative del settore, a partire dall’AI Act, e la consapevolezza dei rischi etici e reputazionali posti da questi sistemi, permettono di procedere in sicurezza, sfruttando i vantaggi offerti da questa tecnologia avanzata e aprendo così la strada a nuovi progressi nella cura della salute e nel miglioramento delle terapie e dei dispositivi medici con un’accelerazione impensabile fino a pochi anni fa.
Il futuro è già iniziato ed i first mover avranno un vantaggio che potrebbe diventare incolmabile.
