Per decenni, la Medicina si è basata su un approccio statistico: curare la patologia più che il paziente. I protocolli “standard of care” venivano definiti su ampie popolazioni, partendo dal presupposto che pazienti con la stessa diagnosi reagissero in modo identico alle cure.
La realtà, però, ci dice il contrario: l’efficacia di un protocollo terapeutico raramente raggiunge il 100%. Molti pazienti non rispondono alle terapie convenzionali o mostrano decorsi clinici imprevedibili, pur partendo dalle stesse condizioni.
Indice degli argomenti
Medicina di precisione e Intelligenza Artificiale
È qui che nasce la medicina di precisione. Questo nuovo paradigma riconosce che malattia e paziente sono un’entità unica e inscindibile. La sfida, oggi, è mappare questa unicità attraverso l’enorme mole di dati digitali esistenti, la cui complessità richiede strumenti di analisi straordinari.
Una stima della mole di questi dati può essere tratta dal fatto che i dati digitali in sanità hanno una crescita annua del 36% a livello mondiale, più di qualsiasi altro campo della conoscenza o dell’attività umana. Considerata la quantità e la complessità di questi dati, l’Intelligenza Artificiale appare come la tecnologia di elezione per analizzare i dati e fornire risposte alla medicina di precisione.
Il paradosso dell’AI in medicina: tantissima ricerca, pochissime soluzioni al letto del paziente
Tuttavia, esiste un paradosso: pur avendo a disposizione una enormità di dati e avendo la tecnologia per analizzarli, a fronte di oltre 230.000 pubblicazioni scientifiche che collegano AI e Medicina, nel periodo 1995-2025 sono pochissime le soluzioni cha hanno effettivamente raggiunto il letto del paziente.
Se si esclude la diagnostica per immagini, dove l’AI è già una realtà, la pratica clinica quotidiana ne è ancora priva. Il ponte tra il modello predittivo in laboratorio e l’applicazione reale resta ancora tutto da costruire.
In altre parole, il passaggio dalla ricerca accademica alla pratica clinica (il cosiddetto “bench-to-bedside”) è l’ostacolo principale per l’AI in medicina. Sebbene un algoritmo possa brillare in un ambiente di ricerca controllato, il mondo reale dei reparti ospedalieri presenta barriere tecniche e infrastrutturali estremamente complesse.
Perché la ricerca accademica non porta ad applicazioni nella pratica medica quotidiana
Un’analisi delle motivazioni che sono alla base della mancata applicazione nella pratica medica quotidiana dei risultati scientifici in questo ambito risiede in diversi aspetti che possiamo approssimativamente suddividere in due categorie:
- problemi nell’utilizzo e nell’analisi dei dati;
- mancanza di rispetto delle normative e delle raccomandazioni vigenti nello sviluppo e nella validazione dei modelli.
Nella prima categoria troviamo soprattutto assenza di validazione interna o esterna del modello sviluppato, o utilizzo di modelli che trascurano l’evoluzione nel tempo tipica dei dati relativi ad una patologia.
Nella seconda troviamo, in particolare, l’assenza di rispetto di norme e raccomandazioni in termini di riproducibilità, affidabilità, spiegabilità, sicurezza, rispetto della privacy o monitoraggio nel tempo dell’efficacia del modello, rendendo di fatto inapplicabili i modelli sviluppati nella realtà della pratica medica.
Per fare qualche esempio, tra i motivi tecnici per cui questa transizione è così lenta vi è scarsa spiegabilità (Explainability) dei modelli generati. Molti modelli di machine Learning o di Deep Learning sono considerati “black box“. Questi forniscono una previsione (es. “questo paziente ha un alto rischio di sepsi”) ma non spiegano perché siano arrivati a quella conclusione. Un medico, sia per una questione etica sia di responsabilità professionale e legale, difficilmente modificherà una terapia salvavita basandosi solo su un output binario senza comprenderne la logica clinica. Senza la cosiddetta Explainable AI (XAI), manca la fiducia necessaria per l’adozione clinica.
Alla base di questi problemi ci sono spesso aspetti strutturali, ad esempio la frammentazione e la qualità dei dati. L’AI si nutre di dati, ma negli ospedali i dati (dati radiologici, referti testuali, parametri vitali, dati di laboratorio, dati di anatomia patologica) sono spesso conservati in silos/database isolati che non comunicano tra loro.
Inoltre, molte cartelle cliniche elettroniche contengono dati mancanti, errori di inserimento o note scritte a mano che l’AI fatica a interpretare correttamente senza un pre-processamento massiccio. A questo si aggiunge una mancanza di standardizzazione: un dato acquisito con un macchinario di una marca X potrebbe non essere interpretato correttamente da un algoritmo addestrato su dati della marca Y. A questi problemi, per specifici progetti, si possono trovare soluzioni, generalmente in centri di ricerca di alto livello; per questo motivo, gli algoritmi sviluppati rischiano poi di non funzionare correttamente quando si utilizzano dati in ospedali più piccoli e con capacità di raccolta dati meno strutturata.
Ancora, c’è da considerare l’obsolescenza dei modelli sviluppati. Le pratiche cliniche cambiano, magari anche grazie all’utilizzo di uno specifico modello. Vuol dire che un modello addestrato su dati di oggi potrebbe non essere più accurato fra qualche anno, sia perché l’utilizzo del modello stesso potrebbe modificare le caratteristiche della popolazione di pazienti a cui il modello dovrebbe rivolgersi, sia a causa dell’evoluzione dei protocolli, della resistenza ai farmaci o dell’evoluzione tecnologica in ambito diagnostico o di monitoraggio.
In ultimo, molti modelli basati su AI mostrano un’alta accuratezza statistica, ma l’assenza di studi clinici prospettici che dimostrino che l’uso di quel modello migliori effettivamente l’esito del paziente (riduzione della mortalità o dei tempi di degenza) ne rende di fatto inutile o rischioso l’utilizzo.
AI: difficoltà d’integrazione nei flussi di lavoro e complessità normativa
A queste problematiche se ne aggiungono altre, meno evidenti, ma non meno impattanti. L’integrazione di un modello AI nel flusso di lavoro (workflow) già consolidato in un reparto o in un ospedale è una di queste. Se per usare una soluzione AI il medico deve uscire dalla cartella clinica, loggarsi in un altro software e caricare manualmente i dati, la sua implementazione è già fallita in partenza.
Inoltre, se l’AI genera troppi “falsi positivi” (allarmi continui ma non urgenti), il personale sanitario tende a ignorare lo strumento per non essere sovraccaricato.
Un altro problema è legato alla certificazione. A differenza di un’App consumer, un’AI medica attualmente deve essere validata come un dispositivo medico (normative MDR in Europa). Tuttavia, un algoritmo non è un dispositivo medico nel senso di uno strumento o macchinario, è qualcosa di diverso, e questo rende spesso complessa la certificazione; forse sarebbe necessaria una normativa di certificazione ad hoc per questa tipologia di risorse.
Come portare davvero l’AI al letto del paziente?
Ma la domanda che forse a questo punto ci stiamo ponendo è: considerate le difficoltà, esistono vie di uscita praticabili per arrivare a portare modelli predittivi al letto del paziente?
All’Università Vita-Salute San Raffaele (UniSR) ci siamo posti questa domanda durante il periodo della pandemia da SARS-Cov2.
Siamo nella primavera del 2020, al San Raffaele di Milano centinaia di persone ogni giorno arrivano in Pronto Soccorso con i sintomi del Covid e, soprattutto, con una certa dose di ansia. Il tempo è poco e i pazienti sono tanti, troppi, bisogna quindi trovare una soluzione per gestirli al meglio e decidere chi deve essere ricoverato e chi può tornare a casa.
È così che gli scriventi (Carlo Tacchetti, Ordinario di Anatomia Umana e Antonio Esposito, Ordinario di Radiologia, e oggi coordinatori del Programma Strategico di AI di UniSR, ndr.) fanno una telefonata a Veronica Jagher, all’epoca responsabile di Microsoft Healthcare Europe. La richiesta è semplice: “potete darci una mano?”. La risposta è: “certamente”.
E così, insieme, in meno di 8 mesi, creano un modello che utilizzando 5 parametri predittivi, di cui due ottenuti automaticamente dalla TC torace dei pazienti, e i dati di pazienti Covid, provenienti da 15 ospedali del Nord e Centro Italia, consente ai medici di capire chi avrebbe sviluppato una forma grave e chi una lieve, il tutto in soli 30 minuti dall’arrivo in Pronto Soccorso.
L’esempio del San Raffaele: la piattaforma S-RACE
L’emergenza legata alla pandemia COVID è presto rientrata grazie alla diffusione dei vaccini, ma dall’esperienza maturata in questo progetto è nato il centro di AI dell’Università Vita-Salute San Raffaele (S-RACE) e, in partnership con Microsoft, il primo prototipo di piattaforma digitale avanzata che viaggia su cloud, sicura, certificata e in grado di sviluppare modelli predittivi.
Con un investimento di 4 milioni di euro, sostenuto da UniSR e un finanziamento PNC EU-Next GenerationEU (D34HEALTH), la piattaforma S-RACE è stata progettata e sviluppata per raccogliere, classificare, standardizzare e analizzare una vasta quantità di dati sanitari reali (real world data) provenienti dall’IRCCS Ospedale San Raffaele, dove ogni anno si contano centinaia di migliaia di accessi di pazienti, garantendo il pieno rispetto delle normative e delle raccomandazioni (GDPR, EU-ACT, NIST Risk Management Framework, FAIR principles, ISO/IEC 42001:2023) sulla privacy, riproducibilità, affidabilità, spiegabilità, sicurezza, e monitoraggio nel tempo dell’efficacia del modello.
L’obiettivo principale è, appunto, sviluppare modelli predittivi in grado di analizzare i dati di migliaia di pazienti per prevedere la prognosi e la risposta a terapie specifiche per ogni singolo individuo. Questi modelli non sostituiscono il medico, ma ne diventano un prezioso alleato, permettendo una personalizzazione senza precedenti della diagnosi e del trattamento di numerose patologie.
In aggiunta, l’implementazione di una struttura ‘Federated Learning’ consente alla piattaforma di sviluppare studi multicentrici riducendo al minimo la necessità di trasferimento dati da un ente all’altro ed eventualmente la condivisione di modelli già sviluppati e validati.
La piattaforma S-RACE del San Raffaele gold standard in Europa
Un recente lavoro scientifico pubblicato sulla rivista JAMA riconosce la piattaforma S-RACE come il gold standard in Europa, tracciando la strada per tutte le altre organizzazioni sanitarie che vogliano aderire al Trustworthy and Responsible AI Network Europe (EU-TRAIN), un consorzio europeo di massimi esperti che, rispecchiando un’iniziativa simile negli USA, promuove pratiche di AI etiche. Un tema, questo, quanto mai urgente, soprattutto in Medicina.
La piattaforma, diventata operativa nel giugno 2024, integra già 21 progetti dedicati a diversi ambiti clinici, tra cui:
- oncologia;
- neurologia;
- malattie cardiovascolari e metaboliche;
- cure intensive.
S-RACE utilizza dati provenienti da cartelle cliniche, referti, anatomia patologica, radiologia, esami di laboratorio, e, presto, anche di dati omici.
Sono già stati realizzati tre modelli predittivi, in particolare per l’outcome di pazienti con tumore al rene prima di un eventuale intervento chirurgico, per la predizione della risposta al trattamento della stenosi valvolare aortica e per la stratificazione del rischio di infarto e morte in pazienti con sospetta patologia coronarica. Tutti i protocolli e le procedure sono standardizzati e in linea con le normative e le raccomandazioni per un uso responsabile dell’AI.
