SANITA' DIGITALE

Machine learning e biostampa 3D in medicina: gli usi più interessanti

Stanno rapidamente affermandosi le soluzioni diagnostiche e terapeutiche basate su sistemi di AI. Il “super-antibiotico” scovato da un algoritmo; il machine learning per prevedere l’insorgenza di tumori; la stampa 3D di organi da trapiantare. Ecco come le nuove tecnologie si preparano a rivoluzionare la sanità

Pubblicato il 15 Set 2020

Luigi Mischitelli

Legal & Data Protection Specialist at Fondazione IRCCS Casa Sollievo della Sofferenza

intelligenza artificiale 2

Il machine learning dell’intelligenza artificiale ha un potenziale senza precedenti in ambito sanitario, e ha già iniziato la sua “rivoluzione invisibile”.

Ad esempio, se applicato al campo medico, un algoritmo “addestrato” attraverso il Machine Learning per rinforzo potrebbe scoprire nuovi trattamenti e cure a cui i professionisti della medicina non potrebbero altrimenti giungere. Ad esempio, un algoritmo potrebbe fornire una mappa affidabile sui futuri focolai di morbillo: in tal senso utilizzerebbe statistiche sui tassi di vaccinazione e sulle epidemie di morbillo provenienti dai centri per il controllo e la prevenzione delle malattie, nonché dati sanitari non tradizionali, compresi i social media e una vasta gamma di documenti sanitari (es. cartelle cliniche).

Uno sviluppo che comincia già a essere abbinato a un’altra tecnologia, pure in evoluzione: la biostampa 3D, per facilitare i trapianti.

Approfondiamo ora alcune tra le ultime novità in materia di Intelligenza Artificiale applicata al campo sanitario.

Machine learning e antibiotici

Negli ultimi giorni di febbraio 2020 è stato scoperto un potente antibiotico, che uccide alcuni tra i più pericolosi batteri resistenti ai farmaci del mondo, utilizzando l’Intelligenza Artificiale. L’innovativo farmaco funziona in modo diverso dagli antibatterici esistenti ed è il primo del suo genere ad essere creato utilizzando l’IA su vaste biblioteche digitali di composti farmaceutici.

I test hanno dimostrato che il farmaco ha spazzato via una serie di ceppi batterici resistenti agli antibiotici, tra cui l’Acinetobacter baumannii e le Enterobacteriaceae, due dei tre patogeni che l’Organizzazione Mondiale della Sanità considera “critici” per l’umanità. Secondo Regina Barzilay, ricercatrice e specialista in Machine Learning del Massachusetts Institute of Technology (MIT), in termini di scoperta di antibiotici, questa è assolutamente una novità assoluta.

Per James Collins, bioingegnere del MIT, si tratta di uno degli antibiotici più potenti che sono stati scoperti fino ad oggi, poiché possiede un notevole potenziale contro una vasta gamma di agenti patogeni resistenti agli antibiotici. La resistenza agli antibiotici nasce quando i batteri mutano ed evolvono per aggirare i meccanismi che i farmaci antimicrobici usano per ucciderli. Senza nuovi antibiotici per affrontare la resistenza, dieci milioni di vite in tutto il mondo potrebbero essere a rischio a causa delle potenziali infezioni.

Deep Learning contro batteri

Per trovare nuovi antibiotici, i ricercatori hanno dapprima addestrato un algoritmo di Deep Learning[2] per identificare i tipi di molecole che uccidono i batteri. Per fare questo, hanno alimentato il programma con informazioni sulle caratteristiche atomiche e molecolari di quasi 2.500 farmaci e composti naturali, bloccando – ad esempio – l’avanzamento del batterio Escherichia coli.

Una volta che l’algoritmo ha appreso quali caratteristiche molecolari hanno permesso di ottenere buoni antibiotici, gli scienziati lo hanno impostato lavorando su una libreria di più di 6.000 composti in fase di studio per il trattamento di varie malattie umane. Invece di cercare qualsiasi potenziale antimicrobico, l’algoritmo si è concentrato su composti che sembravano efficaci, ma che non erano come gli antibiotici esistenti. Questo ha aumentato le possibilità che i farmaci funzionassero in modi radicalmente nuovi.

Il medico Jonathan Stokes, il primo autore dello studio, ha affermato che ci sono volute poche ore affinché l’algoritmo valutasse i composti e trovasse alcuni antibiotici con “esiti promettenti”. Tra questi ultimi, i ricercatori ne hanno ribattezzato uno tra i più potenti con il nome di “Halicina”, in “omaggio” al celebre supercomputer HAL 9000 del film “2001: Odissea nello spazio”. Scrivendo sulla rivista Cell, i ricercatori descrivono come hanno trattato numerose infezioni resistenti ai farmaci con l’Halicina, un composto originariamente sviluppato per il trattamento del diabete, ma che cadde in disuso prima che raggiungesse la sperimentazione clinica.

I test sui batteri raccolti dai pazienti hanno dimostrato che l’Halicina ha ucciso il Mycobacterium tuberculosis, il batterio che causa la tubercolosi, nonché alcuni ceppi di Enterobacteriaceae che sono resistenti ai Carbapenems, un gruppo di antibiotici che sono considerati l’ultima risorsa per tali infezioni. L’Halicina ha anche eliminato le infezioni da Acinetobacter baumannii. Per cercare altri nuovi farmaci, il team si è poi rivolto a un enorme database digitale di circa 1,5 miliardi di composti.

Tempi e costi di ricerca di medicinali ridotti con l’AI

Tali esperti hanno “impostato” l’algoritmo lavorando su 107.000 di questi. Tre giorni dopo, il programma ha restituito una rosa di 23 potenziali antibiotici, di cui due sembrano particolarmente potenti. Gli scienziati intendono ora effettuare ulteriori ricerche nel database. Per il medico Jonathan Stokes sarebbe stato impossibile esaminare tutti e 107.000 composti per via convenzionale – per ottenere o produrre le sostanze e poi testarle in laboratorio – dichiarando al contempo che essere in grado di eseguire questi esperimenti adoperando l’Intelligenza Artificiale riduce drasticamente i tempi e i costi per esaminare questi composti.

Mentre Regina Barzilay del MIT vorrebbe usare l’algoritmo per trovare antibiotici più selettivi, ossia soluzioni che uccidano i soli batteri “cattivi” e risparmino tutti i batteri sani che vivono nell’intestino. Più ambiziosamente, gli scienziati mirano a utilizzare l’algoritmo per progettare nuovi potenti antibiotici partendo da zero. Per Jacob Durrant dell’Università di Pittsburgh, il lavoro è davvero notevole, poiché sarebbe impossibile testare fisicamente più di centinaia di migliaia di composti per l’attività antibiotica.

Dati i tipici costi di sviluppo dei farmaci, sia in termini di tempo che di denaro, qualsiasi metodo in grado di accelerare la scoperta precoce di “soluzioni” ha il potenziale per avere un grande impatto sull’intero sistema.

Contrasto al mesotelioma

L’oncologia, come altri settori della sanità, si basa sulla tecnologia. Ad esempio, nell’ultimo anno gli sviluppi tecnologici hanno fornito opportunità di diagnosi precoce e di trattamento mirato per i pazienti affetti da mesotelioma. I pazienti affetti da mesotelioma sono tipicamente diagnosticati negli stadi tardivi del cancro, lasciando loro opzioni di trattamento inadeguate. Come per qualsiasi malattia, la diagnosi precoce è fondamentale. A questo contribuisce l’AI, con l’analisi di grandi volumi di dati per predire insorgenze del male.

Tuttavia, poiché il mesotelioma ha un periodo di latenza prolungato, può non essere scoperto per oltre 45 anni dopo l’esposizione iniziale. Anche se i ricercatori stanno esaminando altre cause potenziali, l’esposizione all’amianto è la più evidente, ed è anche ritenuta la causa più comune del mesotelioma. L’amianto è un elemento che in un passato non molto lontano veniva utilizzato in una varietà di prodotti, oltre ad essere un elemento comunemente utilizzato negli edifici dagli anni ’30 agli anni ’80, grazie al suo prezzo irrisorio, alle sue proprietà ignifughe e all’idoneità per progetti industriali; e continua a minacciare la salute della popolazione mondiale a causa del deterioramento degli edifici (si pensi al fibrocemento, comunemente e tristemente noto in Italia come Eternit).

La United States Environmental Protection Agency (EPA) mira a proteggere il pubblico dall’esposizione all’amianto; oggi gli Stati Uniti tollerano solo l’1% dell’amianto nei beni commerciali.[3] Negli USA ci sono ogni anno 3.000 nuovi casi di mesotelioma, il cui 30% dei casi è capeggiato dai veterani dell’esercito. Inoltre, ogni anno 1,3 milioni di lavoratori dell’edilizia entrano in contatto con l’amianto.

Tra le altre professioni a rischio ci sono gli ingegneri civili, che rappresentano il 3,9% dei decessi per mesotelioma nel 1999; inoltre la ricerca indica che ogni lavoratore esposto all’amianto ha il 10% di possibilità di sviluppare il mesotelioma. Per coloro che hanno inalato questa fibra cancerogena, la prognosi si basa sia sull’età che sulla crescita del tumore, che peggiora sino a raggiungere l’inoperabilità e l’inaccessibilità degli organi coinvolti.

Tempi di diagnosi più brevi

Tuttavia, gli sviluppi dell’Intelligenza Artificiale hanno portato alla possibilità di un piano di trattamento “rivisto”, con il quale i pazienti affetti da mesotelioma potrebbero avere maggiori possibilità di sopravvivenza. Il Machine Learning può essere utilizzato per individuare i tumori e può anche fungere da strumento in mano ai medici per verificare e osservare il tumore nelle sue fasi iniziali, il che potrebbe trasformare radicalmente la prognosi di un paziente.

Nel 2015, in Turchia, alcuni ricercatori hanno condotto uno studio in cui hanno impiegato un sistema immunitario artificiale (con IA) per diagnosticare i pazienti affetti da mesotelioma pleurico maligno, con un’accuratezza del 97,74% per i pazienti che sono risultati positivi. Gli sviluppi nel Machine Learning permettono un trattamento personalizzato per ciascun paziente, scannerizzando migliaia di campioni di tessuto per aiutare a identificare nuovi tipi di pazienti affetti da mesotelioma e prevedere chi può rispondere meglio a certe terapie.

Da questo, l’Intelligenza Artificiale aiuta potenzialmente a risolvere due problemi: la diagnosi tardiva e il trattamento inefficace. La diagnosi precoce del cancro potrebbe permettere di perfezionare le tecniche di immunoterapia, di farmacoterapia e di radioterapia.

Chatbot come prima linea di cura

Sono già disponibili, gratuitamente, controlli dei sintomi che funzionano secondo lo stesso principio dei chatbot. Tuttavia, questi si basano sull’inserimento manuale dei sintomi e dei reclami da parte dell’utente. Sarebbe auspicabile l’esistenza di un chatbot che possa fare previsioni ed “elargire” suggerimenti sulla base dei dati dell’utente, come il rilevamento del sonno, la frequenza cardiaca e l’attività raccolta tramite i dispositivi indossabili.

Con queste caratteristiche, questi bot possono aiutare gli utenti a fare scelte più sane senza doversi recare dal proprio medico. Nel terzo episodio della quinta stagione di “Black Mirror” vi è un chatbot incredibilmente intelligente ed emotivo che ha avuto conversazioni di tipo umano con un personaggio della serie. Si può solo pensare, di avere un simile chatbot personalizzato, accessibile tramite un dispositivo intelligente e con ulteriori caratteristiche di salute e stile di vita.

Questo essere virtuale potrebbe svegliare le persone al momento opportuno in base al proprio “modello di sonno”, oppure consigliare a chi è affetto da allergie di prendere l’antistaminico nell’ora e nel giorno giusto. Potrebbe anche consigliare ciò che la persona dovrebbe consumare per ogni pasto in base al singolo profilo nutrigenomico. Potrebbe trovare le parole migliori per motivare ad andare in palestra. Potrebbe trovare le migliori battute che aiutino a mettere di buon umore. E molte altre cose che possiamo solo immaginare.

Intelligenza artificiale, i prossimi step

Terminiamo la disamina con uno “sguardo” al futuro dell’Intelligenza Artificiale applicata all’ambito sanitario.

Una miriade di sensori per la salute. La tecnologia medica ha conosciuto uno sviluppo sorprendente negli anni ’20, e ora non esiste un singolo centimetro quadrato del corpo umano senza dati “quantificabili”. Ad esempio, Kardia di AliveCor e Apple Watch misurano l’elettrocardiogramma e rilevano la fibrillazione atriale con elevata sensibilità. Lo stetoscopio digitale EKO Core registra i suoni cardiaci e polmonari, mentre la pressione sanguigna viene monitorata con lo Smartwatch Omron Blood Pressure, il sensore tascabile MOCAcare e il bracciale per la pressione sanguigna, l’iHealth Clear, ma anche lo Skeeper, un “cardiologo tascabile” o il Withings Blood Pressure Monitor e, naturalmente, decine di tradizionali “wristband” per la pressione sanguigna.

Ci sono dozzine di monitor della salute per la respirazione, il sonno e, naturalmente, il movimento. Tuttavia i ricercatori non riescono ancora a decifrare i sogni… ma ci stanno lavorando!

Ovviamente per comprendere tutte le sfaccettature delle attività cerebrali si usa l’EEG (Elettroencefalogramma), metodo che registra l’attività elettrica nel cervello usando elettrodi attaccati esternamente al cuoio capelluto. Il biosensore NeuroSky e l’archetto Muse usano un metodo simile per comprendere meglio la mente, permettendo una meditazione più efficace.

Possiamo aspettarci anche l’entrata in scena di tatuaggi digitali nei prossimi cinque anni, il che non solo misurerebbero la maggior parte dei segni vitali della persona, ma lo farebbero in modo continuo. Questi minuscoli sensori ci potrebbero avvisare quando qualcosa sta per andare storto, quando potremmo aver bisogno di un consulto medico ovvero di un intervento chirurgico.

Calcolo quantistico e decisioni mediche

Possibili evoluzioni forse arriveranno con il calcolo quantistico. Nel 2019, Google ha rivendicato la “supremazia quantistica” e ha ottenuto la copertina della rivista Nature. Un esempio di come questa tecnologia avrà un grande impatto sul settore sanitario è il calcolo quantistico, che porterà il processo decisionale in campo sanitario a un livello completamente nuovo e con competenze speciali.

E se questi computer/sistemi potessero offrire un perfetto supporto decisionale ai medici? Potrebbero scorrere tutti gli studi in una volta sola, potrebbero trovare correlazioni e cause che l’occhio umano non troverebbe mai, e potrebbero “incappare” in diagnosi o opzioni di trattamento impossibili da raggiungere altrimenti. Alla fine di questo sviluppo, i computer quantistici potrebbero creare una versione elevata di PubMed, dove l’informazione risiederebbe nel sistema ma non nella tradizionale forma scritta.

Risiederebbe in qubit (unità di informazione quantistica). Solo il computer rimarrebbe a “leggere” gli studi. Inoltre, le applicazioni del calcolo quantistico per l’assistenza sanitaria sono molteplici, e vanno dalla progettazione “veloce” dei farmaci al sequenziamento e all’analisi del DNA in maniera celere e più economica, fino al rafforzamento della sicurezza dei dati sanitari e personali dei pazienti.

Anche se la tecnologia mantenesse tali promesse, è necessario pazientare prima di poter implementare soluzioni pratiche in medicina. Tuttavia, con i continui progressi in questo settore, anche se il calcolo quantistico è ancora percepito come qualcosa di “fantascientifico”, questo decennio (2020-2030) vedrà il primo computer di questo tipo utilizzato anche nella pratica clinica.

In conclusione

L’intelligenza artificiale si dimostra un alleato importante dei medici e ricercatori sanitari, quindi, in futuro. Si può quindi concludere che, mentre gli esperti ritengono che l’AI non sostituirà i medici e gli operatori sanitari in genere, ma li aiuterà a lavorare meglio, i professionisti che usano l’IA sostituiranno quelli che non lo fanno.

Note

  1. Per Data Mining si intende l’individuazione di informazioni di varia natura (non risapute a priori) tramite estrapolazione mirata da grandi banche dati, singole o multiple (nel secondo caso, informazioni più accurate si ottengono incrociando i dati delle singole banche).
  2. Il Deep Learning è una sottocategoria del Machine Learning, e indica quella branca dell’Intelligenza Artificiale che fa riferimento agli algoritmi ispirati alla struttura e alla funzione del cervello chiamate reti neurali artificiali.
  3. In Italia, invece, la situazione è ancora in evoluzione

Valuta la qualità di questo articolo

La tua opinione è importante per noi!

EU Stories - La coesione innova l'Italia

Tutti
Analisi
Video
Iniziative
Social
Programmazione europ
Fondi Europei: la spinta dietro ai Tecnopoli dell’Emilia-Romagna. L’esempio del Tecnopolo di Modena
Interventi
Riccardo Monaco e le politiche di coesione per il Sud
Iniziative
Implementare correttamente i costi standard, l'esperienza AdG
Finanziamenti
Decarbonizzazione, 4,8 miliardi di euro per progetti cleantech
Formazione
Le politiche di Coesione UE, un corso gratuito online per professionisti e giornalisti
Interviste
L’ecosistema della ricerca e dell’innovazione dell’Emilia-Romagna
Interviste
La ricerca e l'innovazione in Campania: l'ecosistema digitale
Iniziative
Settimana europea delle regioni e città: un passo avanti verso la coesione
Iniziative
Al via il progetto COINS
Eventi
Un nuovo sguardo sulla politica di coesione dell'UE
Iniziative
EuroPCom 2024: innovazione e strategia nella comunicazione pubblica europea
Iniziative
Parte la campagna di comunicazione COINS
Interviste
Marco De Giorgi (PCM): “Come comunicare le politiche di coesione”
Analisi
La politica di coesione europea: motore della transizione digitale in Italia
Politiche UE
Il dibattito sul futuro della Politica di Coesione
Mobilità Sostenibile
L’impatto dei fondi di coesione sul territorio: un’esperienza di monitoraggio civico
Iniziative
Digital transformation, l’Emilia-Romagna rilancia sulle comunità tematiche
Politiche ue
Fondi Coesione 2021-27: la “capacitazione amministrativa” aiuta a spenderli bene
Finanziamenti
Da BEI e Banca Sella 200 milioni di euro per sostenere l’innovazione di PMI e Mid-cap italiane
Analisi
Politiche di coesione Ue, il bilancio: cosa ci dice la relazione 2024
Politiche UE
Innovazione locale con i fondi di coesione: progetti di successo in Italia
Programmazione europ
Fondi Europei: la spinta dietro ai Tecnopoli dell’Emilia-Romagna. L’esempio del Tecnopolo di Modena
Interventi
Riccardo Monaco e le politiche di coesione per il Sud
Iniziative
Implementare correttamente i costi standard, l'esperienza AdG
Finanziamenti
Decarbonizzazione, 4,8 miliardi di euro per progetti cleantech
Formazione
Le politiche di Coesione UE, un corso gratuito online per professionisti e giornalisti
Interviste
L’ecosistema della ricerca e dell’innovazione dell’Emilia-Romagna
Interviste
La ricerca e l'innovazione in Campania: l'ecosistema digitale
Iniziative
Settimana europea delle regioni e città: un passo avanti verso la coesione
Iniziative
Al via il progetto COINS
Eventi
Un nuovo sguardo sulla politica di coesione dell'UE
Iniziative
EuroPCom 2024: innovazione e strategia nella comunicazione pubblica europea
Iniziative
Parte la campagna di comunicazione COINS
Interviste
Marco De Giorgi (PCM): “Come comunicare le politiche di coesione”
Analisi
La politica di coesione europea: motore della transizione digitale in Italia
Politiche UE
Il dibattito sul futuro della Politica di Coesione
Mobilità Sostenibile
L’impatto dei fondi di coesione sul territorio: un’esperienza di monitoraggio civico
Iniziative
Digital transformation, l’Emilia-Romagna rilancia sulle comunità tematiche
Politiche ue
Fondi Coesione 2021-27: la “capacitazione amministrativa” aiuta a spenderli bene
Finanziamenti
Da BEI e Banca Sella 200 milioni di euro per sostenere l’innovazione di PMI e Mid-cap italiane
Analisi
Politiche di coesione Ue, il bilancio: cosa ci dice la relazione 2024
Politiche UE
Innovazione locale con i fondi di coesione: progetti di successo in Italia

Articoli correlati