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
© 