• Background Image

    Come cambia la sanità

19 gennaio 2018

Come cambia la sanità

Watson accompagna il lavoro degli oncologiEugenio Santoro
Le aziende sanitarie sono pronte?Intervista a Roberto Silverio
Intelligenza artificiale e salute, tra passato e futuroAlessandro Rosa
Chiedi e ti sarà detto, la rivoluzione delle chatbotIlaria Catalano, Claudio Cipriani
Machine learning e intelligenza artificiale applicati alla salute: dalle parole alla praticaCaterina Visco

Watson accompagna il lavoro degli oncologi

Le grandi aspettative per l’innovazione sono temperate dall’atteggiamento prudente di alcuni esperti

Eugenio Santoro, responsabile del Laboratorio di informatica medica Dipartimento di salute pubblica Irccs – Istituto di ricerche farmacologiche “Mario Negri”, Milano

Se il 2016 è stato l’anno dei big data in sanità, quello che si è appena concluso sarà ricordato come l’anno dell’intelligenza artificiale applicata al mondo della salute. A riportare al centro dell’attenzione una tematica non nuova (se ne parla, a fasi alterne, sin dagli anni cinquanta) ci hanno pensato Ibm (con il noto Ibm Watson), Google (con DeepMind) e altri big dell’informatica che vedono nell’intelligenza artificiale e nelle nuove metodiche di analisi della grossa mole di dati di cui oggi siamo circondati nuove aree di business.

Quello che infatti è cambiato rispetto al passato è la disponibilità di computer sempre più potenti capaci di gestire enormi quantità di dati (sempre meno strutturati e sempre più eterogenei come i dati genomici, quelli raccolti da app mediche e dai wearable, quelli provenienti dai social media, quelli riferiti alle linee guida, quelli archiviati nelle cartelle cliniche o in database come Medline) e di elaborarli attraverso algoritmi di machine learning e deep learning sempre più sofisticati in grado di imparare e di migliorarsi.

Attraverso le metodiche di interpretazione dei dati offerte dai nuovi sistemi di intelligenza artificiale nel corso di questi ultimi anni i produttori si sono concentrati nella messa a punto di strumenti in grado di effettuare diagnosi precoci, nella identificazione di molecole sulle quali puntare nel passaggio dal laboratorio alla clinica, nella ricerca di possibili relazioni tra dati genomici, medico-sanitari, nutrizionali ed economico-sociali con l’obiettivo di individuare possibili cure per diverse patologie [1].

Le promesse

Ibm Watson è uno dei casi più noti dell’impiego dell’intelligenza artificiale in medicina. La sua versione Watson for Oncology oggi accompagna il lavoro degli oncologi di oltre 50 centri ospedalieri sparsi in tutto il mondo e ne supporta l’attività confrontando i dati dei loro pazienti con la letteratura prodotta dalla riviste mediche, con le linee guida sviluppate dalle associazioni scientifiche internazionali e con lo “storico” di casi simili affrontati in passato per proporre la cura più appropriata [2].

Il sistema è stato addestrato dai medici oncologi dello Sloan Kettering cancer center di New York nel corso degli ultimi anni attraverso la somministrazione di protocolli terapeutici e regole per imparare ad applicarli nelle diverse casistiche, e viene proposto come un’evoluzione dei tradizionali sistemi per il supporto alle decisioni cliniche. I suoi sostenitori dichiarano che in futuro sarà in grado di curare i pazienti oncologici in maniera più equa, perché darà ai medici la possibilità di accedere alle conoscenze e alle cure più all’avanguardia, indipendentemente dal luogo in cui essi risiedono.

Tuttavia sono ancora molte le perplessità tra medici, scienziati e osservatori della stampa specializzata sui reali benefici che Watson for Oncology potrà portare [3]. Alcune riguardano i possibili bias metodologici (i dati utilizzati per addestrare il sistema provengono dalle storie cliniche dei pazienti americani, usati come standard, mentre i protocolli terapeutici implementati sono basati prevalentemente su studi e linee guida americani) che possano portare a conclusioni errate quando ci si riferisce pazienti non sufficientemente rappresentati. Altre hanno a che fare con il numero, per ora limitato, di forme di tumore che il sistema è in grado di riconoscere, e con la difficoltà a istruire nuovamente il sistema ogni volta che le linee guida sulle quali basa le sue decisioni cambiano o vengono aggiornate [4].

Watson non sarà l’ultimo tentativo di intelligenza artificiale in medicina che non si dimostrerà all’altezza delle grandiosi affermazioni. — David Gorski

Le incertezze

Altre ragioni impediscono a Watson for Oncology (così come ad altri sistemi simili) di imporsi stabilmente tra gli operatori sanitari ed entrare nei percorsi assistenziali.

La prima riguarda la carenza di studi clinici randomizzati pubblicati su riviste peer reviewed che ne dimostrino l’affidabilità e/o la maggiore efficacia rispetto ai sistemi tradizionali nel fare diagnosi o nel suggerire terapie appropriate. Tale carenza in certi casi è imputabile alla posizione assunta da alcune autorità regolatorie che non obbligano le aziende produttrici di sistemi di intelligenza artificiale a condurle per misurarne sicurezza ed efficacia. È ciò che è successo, per esempio, negli Stati Uniti e in Corea del sud dove Watson for Oncology ha fatto il suo ingresso negli ospedali come una qualunque metodica alla quale non si chiedono prove di efficacia, anticipando in questo il recente pensiero di Donald Trump secondo il quale le scelte non devono essere basate “sulle prove” ma “sulla scienza in considerazione degli standard e dei desideri della comunità”.

La seconda ragione riguarda la tutela della privacy e della sicurezza dei cittadini e dei pazienti. Tra le varie questioni aperte, una riguarda il consenso al trattamento dei dati sanitari personali ad opera di sistemi di intelligenza artificiale. Non si tratta di una questione secondaria, come dimostra il recente stop a una iniziativa congiunta di Google DeepMind e National health service inglese avvenuto proprio perché i pazienti non erano stati correttamente informati su come i propri dati sarebbe stati impiegati4. La stessa sensibilità non sembra invece emergere in Italia, come dimostra la recente decisione del governo italiano di autorizzare le multinazionali tecnologiche a usare i dati dei pazienti per scopi di ricerca scientifica o statistici, senza l’obbligo di richiedere il consenso degli interessati e/o di avvisarli [5].

I quesiti

Altre ragioni riguardano la regolamentazione dei sistemi di intelligenza artificiale e sollevano ulteriori quesiti. Per esempio sarebbe utile chiedersi se tali sistemi non debbano essere considerati al pari dei dispositivi medici e se non sia necessario definire specifiche responsabilità in caso di errore, o interrogarsi su come essi possano essere integrati nel contesto lavorativo di medici e infermieri. È necessario poi che i sistemi di intelligenza artificiale spieghino agli operatori come sono arrivati alla loro conclusione e decisione, fornendo le prove che sono alla base del loro ragionamento, in modo tale che essi possano eventualmente decidere di rifiutarsi di seguire il suggerimento se ritengono che siano stati commessi eventuali errori [1]. Andrebbe inoltre evidenziato e studiato il pericolo di sovraffidamento e di eccessiva dipendenza da tali sistemi che potrebbero avere seri effetti di dequalificazione e desensibilizzazione dei medici al contesto clinico.

E infine c’è la questione etica che solleva diversi interrogativi. Come si dovrebbe comportare un sistema di intelligenza artificiale se usato per prendere decisioni sulle cure di fine vita? Come ci si dovrà comportare se due sistemi di intelligenza artificiale iniziano a parlare tra loro una lingua sconosciuta all’uomo [6]? La bozza contenente raccomandazioni per disciplinare le applicazioni di robotica e di intelligenza artificiale a cui l’Unione europea sta lavorando potrà dare forse delle risposte [7].

Bibliografia

[1] Coiera E. et al, Baker M, Magrabi F. First compute no harm. The bmjopinion.com, 19 luglio 2017.
[2] www.ibm.com/watson/health/oncology-andgenomics/oncology/
[3] Casey R, Swetlitz I. Ibm pitched its Watson supercomputer as a revolution in cancer care. It’s nowhere close. Stat, 5 settembre 2017.
[4] Hern A. Google DeepMind 1.6m patient record deal ‘inappropriate’. The Guardian, 16 maggio 2017.
[5] Longo A. Dati sanitari alle multinazionali, senza consenso: passa la norma in Italia. La Repubblica, 5 dicembre 2017.
[6] Field M. Facebook shuts down robots after they invent their own language. The Telegraph, 1 agosto 2017.
[7] Committee on legal aff airs. Draft report with recommendations to the Commission on civil law rules on robotics: European Parliament, 2016.

dicembre 2017


Le aziende sanitarie sono pronte?

L’intelligenza artificiale apre nuovi scenari organizzativi in sanità. Come prepararsi in modo responsabile

Intervista a Roberto Silverio, chief health information officer, Azienda sanitaria dell’Alto Adige

Quale impatto potrebbe avere l’intelligenza artificiale sulla organizzazione di un’azienda sanitaria?

Difficile dare una risposta su un argomento che quasi ogni settimana sta dando nuove prove delle sue capacità e possibilità anche in ambito medico. È quindi quasi impossibile oggi assumere un atteggiamento equilibrato che non sia troppo entusiastico né troppo timoroso dell’innovazione. Certamente, la sola possibilità di una nuova categoria di “dipendenti”, quelli automatici, che possano almeno parzialmente svolgere mansioni finora riservate agli umani, apre scenari organizzativi quanto meno complicati. Sarà necessario attendere ancora qualche tempo per vedere in che modo l’intelligenza artificiale possa realmente inserirsi nelle aziende sanitarie in modo organico e non soltanto come progetto di ricerca o gadget tecnologico.

Come integrare l’intelligenza artificiale nella conduzione di progetti di innovazione strategica per le aziende sanitarie?

La difficoltà maggiore sarà quella di superare le naturali diffidenze del personale nel vedersi affiancato da questi “supercervelli” che, come in ogni rivoluzione tecnologica, vengono visti come una minaccia allo status quo. Perlomeno in queste fasi – ancora pionieristiche – i sistemi di intelligenza artificiale devono essere a disposizione su richiesta per fornire una “consulenza automatica” a discrezione dell’operatore sanitario.

Quali sono le possibili applicazioni di un programma cognitivo di assistenza come il sistema Watson dell’Ibm?

Un simile programma deve essere al momento visto come un libro di testo virtuale, estremamente aggiornato e veloce nella consultazione, in grado di valutare velocemente la totalità dei dati sanitari del singolo paziente per verificare il protocollo terapeutico più indicato e avvicinarci quindi alla medicina personalizzata che tante speranze sta offrendo in sanità e nella pratica clinica.

Come valutare l’acquisto di questo sistema innovativo?

Va ricercata una formula innovativa di contratto tra fornitore del sistema e azienda sanitaria, che a mio parere sia più vicino a un contratto di servizio che non ad altre forme di acquisizione. Anche in questo caso mancano le esperienze che non siano limitate a progetti di ricerca o comunque a funzioni limitate del programma di intelligenza artificiale.

È ancora prematuro vedere come l’intelligenza artificiale possa inserirsi nelle aziende sanitarie in modo organico.

Come si tutela una azienda sanitaria di fronte a un potenziale errore di un sistema di intelligenza artificiale?

Questo argomento verrà certamente sollevato da chi è contrario per principio alle innovazioni. Mi sembra evidente che al momento solo una persona fisica possa emettere una diagnosi ed esserne responsabile, e che quindi il problema della diagnosi automatica ad oggi non si ponga. Domani il legislatore dovrà farsi parte diligente per identificare ruoli e responsabilità in un processo di diagnosi e terapia automatica, se l’orizzonte sarà questo come pare.

Quali sono a suo avviso i punti chiave per una gestione responsabile dell’introduzione dell’intelligenza artificiale in sanità?

Apertura mentale; curiosità e disposizione all’innovazione; capacità organizzative superiori alla media; equilibrio nelle scelte e nelle soluzioni.

dicembre 2017


Intelligenza artificiale e salute,
tra passato e futuro

Come si sta preparando il settore sanitario alla rivoluzione dell’intelligenza artificiale

Alessandro Rosa, Dipartimento di epidemiologia, Servizio sanitario regionale del Lazio

Le basi concettuali dell’intelligenza artificiale come simulazione dei meccanismi che regolano il funzionamento del cervello umano, in termini teorici e matematici, hanno alle spalle sessant’anni di studi, ma lo sviluppo tecnologico legato ai big data è relativamente recente. L’immensa mole di dati in crescita esponenziale permette di ottemperare a ciò che mancava al calcolatore: grandi dati su cui “esercitarsi” e apprendere in modo autonomo. Indipendentemente dalla funzione per cui viene adottata, l’intelligenza artificiale ha il vantaggio di ridurre i tempi computazionali, non confrontabili col passato o con la capacità d’elaborazione umana, e di migliorare la capacità predittiva.

Per le aziende, immaginare un sistema produttivo in parte automatizzato in grado di abbattere i costi di gestione, ottimizzare i tempi, ridurre le problematiche e anticipare i problemi è diventato una necessità e un obiettivo strategico. Per questo motivo un numero sempre più elevato di industrie focalizza i propri investimenti nella ricerca sull’intelligenza artificiale.

Il settore sanitario non è esente da questa rivoluzione. Nella pratica, già ora, l’intelligenza artificiale può contribuire all’organizzazione degli studi scientifici per renderli meglio consultabili dagli esperti sfruttando tecniche di elaborazione del linguaggio naturale; fornire assistenti virtuali in grado di interagire direttamente con i pazienti; fare diagnosi analizzando l’imaging grazie ad algoritmi di machine learning.

Le grandi aziende hanno proposto soluzioni sempre più all’avanguardia. Google e Ibm hanno investito rispettivamente nei progetti DeepMind e Watson, Microsoft e Softjam hanno sviluppato il sistema SJ-CKD per meglio identificare i pazienti con malattia renale cronica asintomatica in un’ottica di medicina predittiva. La diagnosi precoce presenta il duplice vantaggio di un adeguato trattamento della malattia rallentandone il decorso e di rendere più sostenibili i costi per il sistema.

La premessa è nella cartella clinica digitale e nella condivisione informatizzata dei dati. Proprio in questa direzione si sta muovendo l’Unione europea che nel 2018 prevede di investire una considerevole parte dei 70 miliardi di euro per l’innovazione sulla sanità digitale e i sistemi cloud. Dematerializzare equivale a risparmiare eliminando progressivamente carta e burocrazia. Ma non solo. Abbatterebbe i confini tra i diversi sistemi informativi adottati e si tradurrebbe in una maggiore semplicità nel trasferire dati confrontabili fra i vari stati europei.

Il radicale cambio di paradigma non sarà di semplice attuazione: l’implementazione di tecnologie e metodologie legate all’intelligenza artificiale a realtà poco propense a investire in innovazione sembra essere un traguardo lontano; la gestione della privacy dei dati è questione ancora aperta; il tema della qualità dei dati e del loro utilizzo con funzione predittiva è materia ancora giovane; infine non mancano riflessioni più ampie di tipo filosofico.

Non è dato sapere se sarà una scommessa vinta. Non esiste intelligenza – umana o artificiale – in grado di predire il futuro: comunque andrà, avremo bisogno di entrambe.

dicembre 2017


Chiedi e ti sarà detto, la rivoluzione delle chatbot

I servizi di assistenza basati sull’intelligenza artificiale al servizio degli operatori sanitari e dei pazienti

Ilaria Catalano, executive director, Business operations & digital strategy, MSD Italia
Claudio Cipriani, director customer engagement, MSD Italia

“Il 2016 è stato l’anno della sfida, il 2017 quello dell’apprendimento. Nel 2018, i bot cambieranno il mondo!”. A dirlo è Jin Tanaka, fondatore di diverse startup innovative, in un’intervista pubblicata recentemente su Forbes. Le chatbot (acronimo di chat robot), servizi di assistenza basati sul concetto di intelligenza artificiale, stanno letteralmente rivoluzionando il modo di ricercare le informazioni nel web. Attraverso applicazioni come Messenger e WhatsApp, queste permettono di rivolgere domande e richieste specifiche a dei software in grado di rispondere in tempo reale. Inoltre, grazie ad algoritmi di machine learning, le chatbot possono apprendere dai dialoghi passati e utilizzare le informazioni acquisite per migliorare progressivamente la qualità delle risposte. Si pensi, per esempio, a una chat in cui alla domanda “Dove posso andare a cena stasera?” si riceva non solo una lista di ristoranti presenti nelle vicinanze, ma anche una selezione di quelli più conformi ai gusti dell’utente.

Recentemente, le chatbot hanno fatto il loro ingresso nel mondo della salute, per esempio, come servizio di aggiornamento per i medici e gli operatori sanitari. È questo il caso di MSD Salute Bot, primo servizio di questo tipo sviluppato nel panorama delle aziende farmaceutiche italiane ed europee. Attualmente, è possibile interrogare il bot su malattie quali l’epatite C, le infezioni batteriche complicate, l’immuno-oncologia, il vaccino esavalente, il papilloma virus e il diabete, ma presto sarà possibile rivolgere domande relative a tutto il portafoglio dei prodotti e dei servizi di MSD. L’obiettivo è quello di dotare i medici specialisti di uno strumento che permetta loro di accedere rapidamente e in modo estremamente semplice a informazioni e contenuti selezionati sulla base delle loro necessità.

Le potenzialità in ambito sanitario non riguardano tuttavia solo l’aggiornamento dei medici. Infatti, le chatbot possono anche essere utilizzate come strumento di supporto per i pazienti. Un esempio in questo senso è ChatYourself, un servizio messo appunto dall’agenzia Young & Rubicam, con il patrocinio di Italia Longeva e il supporto di MSD, che aiuta chi soffre di Alzheimer a ottenere in modo automatico e immediato informazioni riguardanti la propria vita, come il nome dei figli, la strada per ritornare a casa o l’ora in cui prendere le terapie. Il paziente non deve far altro che chiedere e attendere la risposta del bot o, semplicemente, leggere le notifiche push che il sistema gli invia automaticamente. Sviluppata in collaborazione con psicologi specializzati, ChatYourself rappresenta quindi uno strumento utile soprattutto nelle prima fasi di malattia, caratterizzate da perdite di memoria e disorientamento spazio-temporale. Un primo esempio di chatbot a servizio dei pazienti ma non l’ultimo, perché crediamo che le tecnologie digitali se opportunamente usate possono “accorciare le distanze” tra medico e paziente e fornire un importante supporto alle condizioni di cronicità.

dicembre 2017


Machine learning e intelligenza artificiale applicati alla salute: dalle parole alla pratica

Le innovazioni che aprono la strada a migliori processi decisionali, migliori clinical trial e nuovi strumenti per i medici, consumatori e regolatori

Caterina Visco, giornalista scientifica

Già da un paio d’anni l’intelligenza artificiale e il machine learning applicati al mondo della salute sono un argomento caldo nel mondo farmaceutico. Come spiega Daniel Fagella su TechEmergence [1], McKinsey [2] stima che in questa industria, la rivoluzione targata big data e machine learning potrebbe generare un valore pari anche a 100 miliardi di dollari ogni anno, ammesso che si riescano a raccogliere, integrare e adoperare i diversi tipi di dati: da quelli di medici e clinici a quelli dei pazienti, fino a quelli derivanti dai programmi di ricerca e sviluppo e frutto dell’assistenza sanitaria.
In diversi ambiti si è già passati dalle parole ai fatti con progetti, applicazioni e innovazioni che aprono la strada a migliori processi decisionali, migliore efficienza della ricerca e dei trial clinici, creazione di nuovi strumenti per i medici, consumatori, assicuratori e regolatori.

Ecco alcuni degli ambiti e dei progetti più interessanti di questo inizio di rivoluzione.

Diagnosi e identificazione delle malattie

Se è vero, come dice questo rapporto [3] del 2015 di Pharmaceutical research and manufacturers of America, che ci sono più di 800 farmaci e vaccini per il trattamento dei tumori in sperimentazione, bisognerà trovare presto un modo per mettere a frutto tutti i dati che risulteranno da questi studi clinici. Secondo Jeff Tyner, del Knight institute, la chiave sarà mettere a lavorare insieme ricercatori e data scientist.

Un esempio di applicazione in questo campo è sicuramente Ibm Watson health che nel 2016 ha lanciato Ibm Watson genomics [4], la partnership con Quest diagnostics che punta a fare passi in avanti nel campo della medicina di precisione integrando il computing cognitivo e il sequenziamento genetico dei tumori. Il supporto scientifico è stato dato dal Memorial Sloan Kettering cancer center di New York che ha fornito i dati scientifici del database OncoKB [5], che contiene informazioni su effetti e interazioni terapeutiche di specifiche alterazioni in 477 geni tumorali: si parla di oltre 3000 varianti uniche in 40 tipi diversi di tumore. Il “prodotto” di Ibm più conosciuto è Watson Oncology, che durante le diverse fasi di sviluppo ha incontrato attenzione e critiche, motivato la rivista Forbes [6] a intitolare un commento lasciando immaginare che il progetto fosse addirittura… uno scherzo. Restano le difficoltà di informare la tecnologia in modo da rendere l’algoritmo capace di suggerire percorsi assistenziali aderenti ai contesti di applicazione: un problema aperto e ancora di centrale importanza.

DeepMind Health di Google [7], invece, ha annunciato i primi risultati della sua partnership di due anni con il Moorfields Eye hospital di Londra durante la quale, dopo aver divorato migliaia di scansioni della retina, ha messo a punto un algoritmo in grado di individuare i segni di degenerazione maculare dovuta all’invecchiamento molto più velocemente ed efficacemente degli specialisti umani. Non appena i processi di peer review accademica daranno il via libera, cominceranno i primi studi clinici per mettere alla prova questa tecnologia.

L’intelligenza artificiale potrebbe poi rivelarsi utile anche in un ambito complesso come quello della salute mentale. P1vital, per esempio, ha messo in commercio PReDicT [8] per l’analisi predittiva nella diagnosi e nel trattamento della depressione, mentre un gruppo di ricerca guidato dalla Carnegie Mellon university di Pittsburg (Usa) ha sviluppato un algoritmo che attraverso i dati provenienti da una risonanza magnetica funzionale potrebbe individuare i pazienti che corrono il rischio di togliersi la vita [9].

Sviluppo e produzione di nuovi farmaci, passando per la medicina di precisione

Nella produzione di biomateriali e biomolecole, il machine learning può essere usato per migliorare i processi produttivi: ridurre i costi e/o i tempi di una specifica procedura, per esempio, o migliorare la riproducibilità. Nella scoperta e sviluppo di nuovi farmaci, invece può fare la differenza nell’analizzare grandi quantità di dati per individuare schemi e meccanismi che spiegano i complessi meccanismi biologici in opera. Per esempio nello screening iniziale dei componenti di un farmaco per predire efficacia e interazioni, oppure nell’analisi dei pattern.

Il Clinical machine learning group del Mit guidato da David Sontag lavora, tra gli altri progetti, allo sviluppo di algoritmi per permettano di capire meglio i meccanismi sottostanti al diabete di tipo 2 per mettere a punto trattamenti sempre più efficaci e personalizzati.

Nel progetto Hanover [10], invece, Microsoft, con la collaborazione del Knight cancer institute (Oregon, Usa), sta usando tecnologie di machine learning per rendere sempre più personalizzate combinazioni di farmaci per il trattamento della leucemia mieloide acuta.

Ricerca e studi clinici

Identificare i candidati più adatti per uno studio clinico è, per esempio, una delle possibili applicazioni del machine learning nel campo della ricerca e degli studi clinici, come spiega il rapporto di McKinsey sul tema [1]. Può infatti portare a prendere in esame un range di dati molto più ampio, includendo social media o dati genetici quando si guarda a popolazioni target specifiche. Come risultato si disegnerebbero studi clinici più piccoli, veloci ed economici.

Inoltre, sempre secondo Mckinsey, il machine learning può essere adoperato per monitorare da remoto i dati dei pazienti coinvolti in una sperimentazione e la loro aderenza al protocollo. Monitorare in tempo reale significa rendere possibili cambiamenti in corso, adattamenti che evitano problemi significativi e potenzialmente costosi, come eventi avversi e ritardi non necessari. Infine, catturare elettronicamente i dati renderebbe più semplice la loro condivisione e la collaborazione tra enti di ricerca e tra diverse professionalità.

Cartelle elettroniche intelligenti

Fino ad oggi le cartelle cliniche elettroniche si sono rivelate più spesso una fonte di frustrazione che non di aiuto per i medici che le adoperano. Necessitano di tanto di quel tempo che un recente studio dell’American medical association dimostra che i medici trascorrono più ore a riempire le cartelle che non a confrontarsi con i pazienti.

Certo, lasciano ancora a bocca aperta tecnologie come la Google Cloud Vision Api per il riconoscimento ottico dei caratteri e l’uso di MatLab, linguaggio e ambiente di programmazione di alto livello sviluppato da MathWork [11], per riconoscere la scrittura in corsivo, che trasformano un testo scritto a mano in uno digitale. Tuttavia queste tecnologie, basate anch’esse sul machine learning, non sono di aiuto, per esempio, nell’identificare velocemente le caratteristiche del paziente o nell’individuare il trattamento più adeguato o prenotare gli esami il più rapidamente possibile quando necessario.

È qui che l’Intelligenza artificiale può trasformare le cartelle elettroniche da semplice strumento per la registrazione dei dati sanitari di un paziente a supporto che possa aiutare il medico nella diagnosi, favorendo la scelta di adeguati trattamenti personalizzati. Sarebbe già di grande aiuto uno strumento che aiuti a raccogliere tutte le informazioni sanitarie di un paziente, spesso nascoste e frammentate (precedenti cartelle, esami di laboratorio, prescrizioni, ecc.).

Chi sta lavorando verso la cartella elettronica intelligente di domani è il Clinical machine learning group del Mit [12] che riassume le difficoltà dell’impresa nella “necessità di solidi algoritmi di apprendimento automatico che siano sicuri, interpretabili, in grado di apprendere dai dati di addestramento etichettati, comprendere il linguaggio naturale e generalizzare bene tra strutture mediche e istituzioni”.

Bibliografia

[1] 7 Applications of Machine Learning in Pharma and Medicine
[2] How big data can revolutionize pharmaceutical R&D
[3] More Than 800 Medicines and Vaccines in Clinical Testing for Cancer Offer New Hope to Patients.
[4] Ibm Watson for Genomics helps doctors give patients new hope.
[5] OnkoKb – Precision Oncology Knowledge Base
[6] Is Ibm Watson A ‘Joke’?
[7] DeepMind develops AI to diagnose eye diseases
[8] Predicting Response to Depression Treatment (PReDicT) project
[9] Just MA, Pan L, Cherkassky VL, et al. Machine learning of neural representations of suicide and emotion concepts identifies suicidal youth. Neurosci Biobehav Rev 2012;36:1292-313.
[10] Project Hanover
[11] Handwriting Recognition Using Bagged Classification Trees
[12] http://clinicalml.org/research.html

giugno 2018

1 Comment

    Leave A Comment

    Lascia un commento

    Iscriviti alla newsletter di Forward

    Quando invii il modulo, controlla la tua inbox per confermare l'iscrizione

    Pin It on Pinterest

    Share This