Negli ultimi anni c’é stata un’enorme attenzione nell’area di intersezione tra intelligenza artificiale e medicina: sul piano concreto abbiamo osservato la collaborazione tra il progetto DeepMind di Google ed il National Health Service del Regno Unito, ed i continui investimenti di IBM verso le aree della genomica e della scoperta di nuovi farmaci tramite l’assistenza dell’intelligenza artificiale. Dal punto di vista dei ricercatori che si dedicano a quest’area innovativa al confine tra computer science e sanità, purtroppo, molte importanti domande rimangono senza risposta e raramente vengono affrontate in dettaglio da chi di dovere (Università e Governo in primis):
- Che miglioramenti concreti possono comportare le innovazioni della machine learning in sanità sulla vita dei pazienti?
- Come funzionerà la sanità tra 5 o 10 anni?
- Saremo preparati oppure dirigenti, medici, infermieri ed altri operatori funzioneranno come dei “colli di bottiglia” rispetto all’innovazione?
Per iniziare questo breve riassunto di alcune delle possibili applicazioni pratiche del Machine Learning (come sotto insieme più ristretto del vasto campo dell’Intelligenza Artificiale) in medicina, vorrei sottoporvi alcuni fatti che ho estrapolato in questi ultimi mesi di studio dell’integrazione tra il Sistema della Sanità e l’utilizzo di nuove tecnologie informatiche.
Quando verrà utilizzata in maniera intensiva il Machine Learning e l’Intelligenza Artificiale in Medicina?
Il gruppo di 50 esperti interpellato al riguardo durante uno studio del 2017 commissionato dal famoso sito TechEmergence.com hanno fornito risposte piuttosto eterogenee che vengono riassunte dal grafico estratto dal loro articolo (1):
In generale si può osservare come i principali esperti prevedano un pesante influenzamento della Sanità mondiale ad opera delle nuove tecnologie di AI e Machine Learning tra il 2025 ed il 2030 (1)(2). Questo lasso di tempo, in realtà, coincide con molte altre previsioni che indicano come l’utilizzo di intelligenze digitali influenzerà molti altri campi della cultura e delle attività umane (pubblica amministrazione, gestione economica, management, supply chain industriale, trasporti, gestione energetica e molto altro).
Quali aziende sono attivamente coinvolte nello sviluppo di sistemi di intelligenza artificiale per la medicina?
In questo momento, nel mondo occidentale, ci sono circa 50 aziende attivamente coinvolte nello sviluppo di sistemi di machine learning rivolti specificatamente agli utilizzi sanitari. Oltre a queste aziende consolidate abbiamo anche un certo numero di start up e spinoff universitari che, quasi quotidianamente, rivolgono la loro attenzione al mondo della medicina. Per non parlare delle realtà del mondo orientale (cina, giappone, taiwan) ed arabo. Le aziende occidentali attivamente coinvolte nel processo di sviluppo del machine learning in ambito medico nel 2018 sono le seguenti:
Quali sono le principali applicazioni del machine learning in ambito sanitario?
Quando si parla dell’efficacia del’utilizzo del machine learning in medicina, si afferma sempre che un numero maggiore di dati produce quasi sempre risultati migliori e il settore sanitario si trova letteralmente seduto su di una miniera d’oro di dati fino ad oggi scarsamente sfruttati.
La famosa compagnia di consulenza strategica in ambito far,aceutico e medicale, McKinsey stima che lo studio dei big data ed il machine learning nel settore farmaceutico e medico potrebbero generare valore fino a $100 miliardi all’anno, grazie ad un migliore processo decisionale, innovazione ottimizzata, maggiore efficienza della ricerca / studi clinici e creazione di nuovi strumenti per medici, paziente, assicuratori ed agenzie governative.
Nel concreto le principali innovazioni che l’intelligenza artificiale porterebbe alla medicina sono almeno 10:
- Migliore applicazione e definizione dei criteri diagnostici alle varie malattie
- Possibilità di applicazione della medicina di precisione nel mondo reale
- Automatizzazione della prototipazione e sintesi di nuovi farmaci
- Automatizzazione della refertazione in anatomia patologica
- Automatizzazione della refertazione in radiologia e radioterapia
- Chatbot e assistenti vocali nel rapporto con il pubblico, negli interventi educativi e psicoeducativi, supporto dei pazienti
- Ottimizzazione dei trial clinici randomizzati nello studio di nuovi trattamenti
- Automatizzazione della raccolta dati (cartella elettronica unica avanzata – fascicolo sanitario) e studio dei big data sanitari
- Predizione di eventi epidemici
- Previsione e studio di eventi psichici e comportamentali
Ovviamente ognuno di questi 10 punti meriterebbe di essere sviscerato e discusso a dovere, ma non è questa la sede. Inoltre ognuno di questi elementi di innovazione possiede al suo interno diversi sotto insiemi di caratteristiche diverse relative alle varie specialità mediche, a titolo di esempio vorrei portare la psichiatria: come ho già discusso, nell’imediato futuro, grazie al machine learning si potrà parlare di psichiatria di precisione, di utilizzo delle tecniche di imaging avanzato per diagnosi e terapia, di sviluppo mirato di nuovi farmaci, di oggettivazione diagnostica, di sistemi esperti per scegliere i migliori interventi terapeutici e via di seguito.
Vi lasci di seguito alcune voci bibliografiche per approfondire velocemente il rapporto tra machine learning, intelligenza artificiale e medicina.
Bibliografia:
- “Machine Learning in Healthcare: Expert Consensus from 50+ Executives” from TechEmergence.com
- “Machine Learning for Medical Diagnostics – 4 Current Applications” from TechEmergence.com
- “7 Applications of Machine Learning in Pharma and Medicine” from TechEmergence.com
- Deo RC. Machine Learning in Medicine. Circulation. 2015 Nov 17;132(20):1920-30. doi: 10.1161/CIRCULATIONAHA.115.001593. Review.
- Patel MJ, Khalaf A, Aizenstein HJ. Studying depression using imaging and machine learning methods. Neuroimage Clin. 2015 Nov 10;10:115-23. doi: 10.1016/j.nicl.2015.11.003.
- Obermeyer Z, Emanuel EJ. Predicting the Future – Big Data, Machine Learning, and Clinical Medicine. N Engl J Med. 2016 Sep 29;375(13):1216-9. doi:10.1056/NEJMp1606181.
- Darcy AM, Louie AK, Roberts LW. Machine Learning and the Profession of Medicine. JAMA. 2016 Feb 9;315(6):551-2. doi: 10.1001/jama.2015.18421.
- Zheng T, Xie W, Xu L, He X, Zhang Y, You M, Yang G, Chen Y. A machine learning-based framework to identify type 2 diabetes through electronic health records. Int J Med Inform. 2017 Jan;97:120-127. doi:10.1016/j.ijmedinf.2016.09.014. Epub 2016 Oct 1.
- Fabris F, Magalhães JP, Freitas AA. A review of supervised machine learning applied to ageing research. Biogerontology. 2017 Apr;18(2):171-188. doi:10.1007/s10522-017-9683-y. Epub 2017 Mar 6.
- Macesic N, Polubriaginof F, Tatonetti NP. Machine learning: novel bioinformatics approaches for combating antimicrobial resistance. Curr Opin Infect Dis. 2017 Dec;30(6):511-517.
- Zhang L, Tan J, Han D, Zhu H. From machine learning to deep learning: progress in machine intelligence for rational drug discovery. Drug Discov Today. 2017 Nov;22(11):1680-1685. doi: 10.1016/j.drudis.2017.08.010. Epub 2017 Sep 4.
- Weng SF, Reps J, Kai J, Garibaldi JM, Qureshi N. Can machine-learning improve cardiovascular risk prediction using routine clinical data? PLoS One. 2017 Apr 4;12(4):e0174944. doi: 10.1371/journal.pone.0174944.
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Lascia un commento