L’intelligenza artificiale può essere, e in molti casi già lo è, un potente strumento al servizio delle già aumentate capacità della medicina moderna, anche quando è chiamata a fronteggiare eventi prima mai gestiti, come l’emergenza dovuta alla pandemia in corso. In West Virgina, allo studio, ad esempio, è la possibilità di personalizzare le cure per i pazienti del COVID-19.
Ma non è questo il solo ambito di applicazione, ovviamente.
Passiamo allora in rassegna i progressi, le prospettive di sviluppo e le applicazioni dell’Intelligenza Artificiale in ambito clinico.
Il mercato dell’AI in Sanità: i fattori che guidano la crescita
Secondo una ricerca di Frost & Sullivan’s il mercato dell’AI in Sanità arriverà a 6 miliardi di dollari nel 2022, con un tasso annuo di crescita del 68%, generando un risparmio di oltre 150 miliardi di dollari, mentre, secondo Global Market Insights, le dimensioni del mercato dell’Intelligenza Artificiale nel settore sanitario sono state valutate a 1,3 miliardi di dollari nel 2018 e si stima che fino al 2025 si assisterà a un CAGR del 41,7%.
Nel solo settore dell’imaging medico, uno dei più promettenti tra quelli già disponibili e sempre più utilizzata in cardiologia, patologia ed oftalmologia, il mercato dell’IA registrerà un CAGR del 30% nel periodo di previsione 2020-2025, con un ritmo di crescita vertiginoso, grazie a una serie di fattori, tra cui il miglioramento della potenza di calcolo, gli algoritmi di apprendimento e la disponibilità di enormi set di dati, che provengono da monitor sanitari e dispositivi medici indossabili.
Infatti, il crescente volume di dati sanitari unito all’aumento della complessità dei data set, l’intensificarsi della necessità di ridurre gli altissimi costi sanitari, il miglioramento della potenza di calcolo, la diminuzione dei costi dell’hardware, la crescita di partnership e collaborazioni intersettoriali sono tra i principali fattori che guidano la crescita del mercato anche per far fronte al notevole squilibrio tra il personale sanitario e numero di pazienti che sovente determina la necessità di erogare servizi sanitari non all’altezza, pur di far fronte all’ineluttabilità della domanda.
Un altro importante fattore trainante è l’adozione di tecnologia basata sull’IA da parte di aziende farmaceutiche e biotecnologiche in tutto il mondo per accelerare i processi di sviluppo di vaccini o farmaci per COVID-19.
Anche il settore della tomografia computerizzata sarà interessato da grandi novità.
I fattori principali per la crescita del mercato della tomografia computerizzata (TC) includono la crescente prevalenza di varie malattie croniche associate allo stile di vita, come il cancro e le condizioni cardiovascolari, e la crescente domanda di soluzioni avanzate di imaging integrate con l’IA e di ulteriori investimenti in soluzioni abilitate all’IA sono alcuni dei fattori che dovrebbero guidare la crescita complessiva del mercato.
La crescente domanda di strumenti di valutazione avanzati nel reparto di emergenza e il crescente numero di unità di assistenza ambulatoriale di emergenza sono i fattori che dovrebbero avere un impatto positivo sulla crescita del mercato della TAC, che aumenterà la domanda complessiva del mercato dell’IA nel settore dell’imaging medico.
Secondo l’NCBI (National Center for Biotechnology Information), più di 70 milioni di TAC vengono eseguite negli Stati Uniti e 5 milioni nel Regno Unito ogni anno, con un tasso annuo crescente del 10%. Del resto, il periodo di incubazione più lungo del COVID-19 è un’enorme restrizione per la diagnosi precoce e il trattamento efficace per la pandemia in corso. Lo screening preliminare dei pazienti sospetti mediante TC può rivelare danni polmonari nelle fasi iniziali, con un impatto significativo anche nei paesi in via di sviluppo, dove il rapporto test/milioni di persone è più basso.
Intelligenza artificiale e medicina di precisione
L’intelligenza artificiale in sanità si qualifica, così, come un contributo più che determinante alla cosiddetta medicina di precisione, che sta emergendo sempre di più come la medicina del futuro.
Ad esempio, la West Virginia University School of Medicine sta usando l’Intelligenza Artificiale per studiare come l’essere un minatore di carbone influenzi i risultati del COVID-19 e come il fumo, la vaporizzazione e l’avere una condizione polmonare cronica influenzino il modo in cui i pazienti di Covid-19 rispondono al virus.
La capacità del Machine Learning di sviluppare modelli predittivi personalizzati è, già di per sé, una medicina di precisione, tramite un approccio innovativo per migliorare la cura dei pazienti, che continua a catalizzare molto interesse da parte della ricerca.
L’utilizzo di dati demografici e sanitari associati ai pazienti del COVID-19 in West Virginia, consentirà di costruire un modello di apprendimento automatico che arrivi a prevedere i risultati dei pazienti sulla base di molteplici variabili, attingendo i dati dal registro COVID-19 della WVU.
Il modello considererà se i pazienti hanno asma, malattie polmonari croniche ostruttive o altre condizioni polmonari, valutando le scansioni TAC dei loro polmoni e prendendo in considerazione se hanno una malattia polmonare cronica, se fumano o usano sigarette elettroniche, o, financo, se hanno lavorato in una miniera di carbone più altri fattori di aumento del rischio.
Uno degli aspetti innovativi sarà che il modello potrebbe aiutare i medici a personalizzare le cure per i pazienti del COVID-19, piuttosto che adottare un approccio unico di tipo protocollare.
Le applicazioni dell’Intelligenza Artificiale in ambito clinico: gli studi
D’altronde, nell’ultimo decennio, i ricercatori hanno condotto un numero sempre maggiore di studi che esplorano le applicazioni dell’Intelligenza Artificiale in ambito clinico.
Nello scorso mese di settembre, ad esempio, sono stati presentati cinque studi chiave.
Un primo studio (Ioannou GN, Tang W, Beste LA, et al. Assessment of a Deep Learning Model to Predict Hepatocellular Carcinoma in Patients With Hepatitis C Cirrhosis. JAMA Netw Open. 2020;3(9):e2015626. doi:10.1001/jamanetworkopen.2020.15626) riguarda la valutazione di un modello di apprendimento profondo per prevedere il carcinoma epatocellulare nei pazienti con cirrosi epatica C. I ricercatori hanno scoperto che i ricorrenti modelli di reti neurali che utilizzano dati medici grezzi e longitudinali superano i modelli di regressione tradizionali nella previsione del rischio di carcinoma epatocellulare nei pazienti con cirrosi epatica C.
Un altro studio (Le Roy Chong, Koh Tzan Tsai, Lee Lian Lee, Seck Guan Foo, and Piek Chim Chang, Artificial Intelligence Predictive Analytics in the Management of Outpatient MRI Appointment No-Shows. American Journal of Roentgenology 0 0:0, 1-8) riguardante l’analisi predittiva dell’intelligenza artificiale nella gestione dei “no-show” di appuntamenti di risonanza magnetica ambulatoriale. I risultati dello studio hanno consentito di affermare che l’analisi predittiva dell’intelligenza artificiale si è comportata “moderatamente bene” nell’identificare i pazienti che sono più a rischio di mancare agli appuntamenti per la risonanza magnetica.
Con lo studio sull’analisi predittiva per ridurre le riammissioni ospedaliere di 30 giorni dopo un intervento di chirurgia generale, intitolato “Prescriptive analytics for reducing 30-day hospital readmissions after general surgery” (pubblicato il 9 settembre 2020), il team di ricercatori, composto da Dimitris Bertsimas, Michael Lingzhi Li, Ioannis Ch. Paschalidis, Taiyao Wang, ha sviluppato modelli di apprendimento automatico predittivo per prevedere le riammissioni dei pazienti a 30 giorni e modelli di apprendimento automatico prescrittivo per fornire raccomandazioni più specifiche sui passi da compiere per ridurre i tassi di riammissione. L’accuratezza di previsione dei modelli ha superato l’87%.
L’apprendimento automatico è stato utilizzato anche per prevedere le infezioni batteriche gravi nei neonati con stati febbrili; gli esiti dello studio “Machine learning to predict serious bacterial infections in young febrile infants”, pubblicato da Sriram Ramgopal, Christopher M. Horvat, Naveena Yanamala and Elizabeth R. Alpern su Pediatrics (Official Journal of the American Academy of Pediatrics; DOI: https://doi.org/10.1542/peds.2019-4096) hanno rivelato che l’intelligenza artificiale può efficacemente aiutare a identificare i neonati con stati febbrili che hanno un basso rischio di infezione batterica grave.
Infine, con lo studio “Illuminating the dark spaces of healthcare with ambient intelligence” di Haque, A., Milstein, A. & Fei-Fei, L. (pubblicato su Nature 585, 193–202 2020, https://doi.org/10.1038/s41586-020-2669-y), i ricercatori hanno esaminato i modi in cui gli ospedali potrebbero trarre beneficio dalla raccolta di informazioni attraverso l’intelligenza ambientale, ossia uno spazio fisico sensibile e reattivo alla presenza umana.
Le applicazioni pratiche
Accanto a questi studi, meritano una segnalazione anche alcune applicazioni pratiche.
Negli USA, Change Healthcare ha presentato un nuovo modello di intelligenza artificiale che estrae automaticamente i dati diagnostici dalle note cliniche per aumentare l’efficienza delle revisioni automatizzate di oltre il 20%. Tali nuovi modelli di Intelligenza Artificiale di Change Healthcare sono strutturati attraverso dati clinici e sono validati da medici esperti.
PathAI sta sviluppando una tecnologia di apprendimento automatico per aiutare i patologi a fare diagnosi più accurate. Gli attuali obiettivi dell’azienda includono la riduzione degli errori nella diagnosi del cancro e lo sviluppo di metodi per il trattamento medico individualizzato.
PathAI ha lavorato con case farmaceutiche e organizzazioni filantropiche (Bill & Melinda Gates Foundation) per espandere la sua tecnologia di IA in altre industrie sanitarie.
Buoy Health è un controllore di sintomi e cure basato sull’IA che utilizza algoritmi per diagnosticare e trattare le malattie. Il suo funzionamento è basato su un chatbot che ascolta i sintomi di un paziente e le sue preoccupazioni per la salute, guidando il paziente al percorso di cura corretto in base alla sua diagnosi.
La Harvard Medical School è solo uno dei tanti ospedali e fornitori di assistenza sanitaria che utilizza l’IA di Buoy per aiutare a diagnosticare e curare i pazienti più rapidamente.
Enlitic sviluppa strumenti medici di apprendimento profondo per snellire le diagnosi radiologiche. La piattaforma di apprendimento approfondito dell’azienda analizza dati medici non strutturati (immagini radiologiche, esami del sangue, ECG, anamnesi del paziente) per fornire ai medici una migliore comprensione delle esigenze del paziente in tempo reale.
Il MIT di Boston ha nominato Enlitic la quinta società di intelligenza artificiale più intelligente del mondo, classificandosi al di sopra di Facebook e Microsoft.
L’ospedale universitario di Harvard, il Beth Israel Deaconess Medical Center, sta usando l’intelligenza artificiale per diagnosticare malattie del sangue potenzialmente mortali in una fase molto precoce.
I medici stanno usando microscopi dotati di intelligenza artificiale per la ricerca di batteri nocivi (come l’Escherichia coli e lo stafilococco) in campioni di sangue ad un ritmo più veloce di quanto non sia possibile con la scansione manuale. Gli scienziati hanno usato 25.000 immagini di campioni di sangue per insegnare alle macchine come cercare i batteri. Le macchine hanno poi imparato a identificare e prevedere i batteri nocivi nel sangue con una precisione del 95%.
BioXcel Therapeutics utilizza l’IA per identificare e sviluppare nuovi farmaci nei campi dell’immuno-oncologia e delle neuroscienze. Inoltre, il programma di re-innovazione dei farmaci dell’azienda impiega l’IA per trovare nuove applicazioni per i farmaci esistenti o per identificare nuovi pazienti.
Il lavoro di BioXcel Therapeutics nello sviluppo di farmaci basati sull’IA è stato nominato come uno degli “Sviluppi AI più innovativi nel campo dell’assistenza sanitaria del 2019”.
BERG è una piattaforma biotecnologica basata sull’IA in fase clinica che mappa le malattie per accelerare la scoperta e lo sviluppo di farmaci innovativi. Combinando il suo approccio “Interrogative Biology” con la ricerca e sviluppo tradizionale, BERG può sviluppare prodotti candidati più robusti che combattono le malattie rare.
BERG ha recentemente presentato le sue scoperte sul trattamento del morbo di Parkinson, utilizzando l’IA per trovare collegamenti tra sostanze chimiche nel corpo umano che prima erano sconosciute.
La piattaforma AI di Olive è stata progettata per automatizzare i compiti più ripetitivi dell’attività sanitaria, lasciando più tempo al personale amministrativo per lavorare su compiti maggiormente importanti. La piattaforma automatizza tutto, dai controlli di idoneità alle richieste di risarcimento non giudicate e alle migrazioni di dati, in modo che il personale possa concentrarsi sulla fornitura di un servizio migliore per i pazienti. L’AI-as-a-Service di Olive si integra facilmente nel software e negli strumenti esistenti di una struttura sanitaria, eliminando la necessità di costose integrazioni o tempi di inattività.
CloudMedX utilizza l’apprendimento automatico per generare intuizioni per migliorare gli spostamenti dei pazienti in tutto il sistema sanitario.
La tecnologia dell’azienda aiuta gli ospedali e le cliniche a gestire i dati dei pazienti, la storia clinica e le informazioni sui pagamenti, utilizzando l’analisi predittiva per intervenire nei momenti critici dell’esperienza di cura del paziente. Gli operatori sanitari possono utilizzare queste intuizioni per spostare i pazienti in modo efficiente attraverso il sistema senza la tradizionale confusione dovuta alla difficoltà di incrociare i dati.
Il John Hopkins Hospital ha recentemente annunciato una partnership con GE per utilizzare tecniche di IA predittiva per migliorare l’efficienza del flusso operativo dei pazienti.
Una task force, potenziata con l’intelligenza artificiale, ha rapidamente dato priorità all’attività ospedaliera a beneficio di tutti i pazienti. Dall’implementazione del programma, la struttura ha visto un miglioramento del 60% della capacità di ricovero dei pazienti e un aumento del 21% delle dimissioni dei pazienti prima di mezzogiorno, con il risultato di un’esperienza più rapida e positiva per i pazienti stessi.
Conclusioni
Nonostante tutto questo fermento, in gran parte dovuto all’accelerazione imposta dall’emergenza derivante dalla pandemia di Covid-19, ci sono alcuni freni alla agevole diffusione delle tecnologie basate sull’IA, tra cui si possono menzionare la riluttanza di alcuni medici ad adottare le tecnologie (quasi sempre dovuta ad una formazione inadeguata) e la mancanza di una forza lavoro specificamente qualificata, per cui esiste un vero e proprio skill shortage dal punto di vista tecnico che va colmato con idonei e specifici programmi formativi che arrivino a coinvolgere una platea di operatori sempre più ampia e variegata.
