Quella del “matrimonio” tra Intelligenza Artificiale (AI) e Salute è una storia che potremmo definire abbondantemente travagliata: le potenzialità dei vari strumenti di AI in Medicina sono notevoli, e ci sono centinaia di esempi ed applicazioni pratiche già realizzate e implementate a livello internazionale, ma si assiste a un fenomeno di resistenza (quando non, addirittura, di diffidenza) da parte del personale medico (e non solo) nell’accettare qualcosa di ancora largamente sconosciuto.
Indice degli argomenti
L’AI per la Salute non è solo ChatGPT & Co.
Anche grazie alle campagne di comunicazione degli OTT come Microsoft e Google, si è parlato e si parla moltissimo di ChatGPT e di Med-Palm2, e questo è bene se serve a creare conoscenza e consapevolezza rispetto alle potenzialità e criticità di questo tipo di soluzioni.
Ma l’AI non è solamente questo.
È certamente utile, quindi, un inquadramento complessivo dei principali campi di applicazione dell’Intelligenza Artificiale per aziende sanitarie e ospedaliere.
I tre macro-segmenti delle applicazioni di Intelligenza Artificiale per la Salute
L’AI in Medicina (tralasciando gli ambiti amministrativi e gestionali) – quindi l’Intelligenza Artificiale applicata alla Salute (prevenzione, diagnosi e terapia) – può essere ricondotta a tre macro-ambiti di applicazione – che analizzeremo di seguito – ciascuno dei quali ha le sue peculiarità e potenzialità.
AI e Salute: Patient Engagement/Management
Nel segmento “Patient Engagement & Management” troviamo quattro contesti applicativi specifici:
- soluzioni per supportare gli operatori sanitari nella creazione di consapevolezza e nella corresponsabilizzazione del paziente rispetto al trattamento in corso
- supporto al Patient Engagement
- supporto all’aderenza alla terapia
- collaborazione attiva del Paziente lungo il suo percorso di diagnosi, terapia e cura
Quasi tutti i processi di Patient Engagement & Management, oggi, sono gestiti mediante il telefono o, nella migliore delle ipotesi, da chatbot di tipo tradizionale.
Anche le applicazioni per il supporto all’aderenza terapeutica di tipo farmacologico sono governate da processi non completamente automatizzati e richiedono, quindi, un presidio umano.
L’Intelligenza Artificiale può supportare gli operatori addetti a queste incombenze, arrivando a “sostituirsi” a loro in molte attività di contatto col paziente, a partire dalla gestione di appuntamenti sino ad arrivare a quella dei contatti ricorrenti con individui caratterizzati da percorsi di cura articolati e di lunga durata.
AI e Salute: Symptom Checker
I Symptom Checker sono applicazioni chatbot che possono essere utilizzate per attività di “autodiagnosi” da parte di un paziente o come supporto ad operatori sanitari in sede anamnestica o di triage.
Oggi sono già molto utilizzate, ad esempio, nel Regno Unito, dove la Symptom Checker Chatbot di Babylon è stata adottata da tempo dal NHS.
Si tratta di soluzioni molto interessanti quando il loro impiego è limitato al supporto analitico e decisionale: in questo contesto, un Symptom Checker è capace, ad esempio, di velocizzare la fase di anamnesi prossima del paziente, aiutando il medico nella valutazione di situazioni complesse e nella “intercettazione” di correlazioni difficili da cogliere in tempi compatibili con quelli di una visita “ordinaria”.
Il mercato più promettente per i Symptom Checker è quello delle aziende sanitarie e ospedaliere del SSN (anche gli ospedali e i poliambulatori privati convenzionati) che adotteranno questo tipo di applicazioni per supportare il personale medico nella raccolta di informazioni anamnestiche, comprendendo in quest’ambito anche le operazioni di triage in Pronto Soccorso e i processi di “Continuos Patient Assessment” nelle strutture territoriali, con particolare riferimento alle Case di Comunità e alle Centrali Operative Territoriali.
AI e Salute: il supporto decisionale clinico
I Clinical Decision Support Systems (CDSS) – qui uno studio sull’efficacia di tali sistemi di supporto – sono strumenti capaci di aiutare medici ed altri professionisti sanitari nei loro processi decisionali di vario genere.
Possono essere basati sulla conoscenza (e, in questo caso, agiscono grazie a un motore inferenziale capace di confrontare una determinata situazione con una base di conoscenza predeterminata) oppure utilizzare il Machine Learning per “scovare”, all’interno dell’esperienza accumulata dalla piattaforma, pattern caratteristici capaci, ad esempio, di “scartare” un’ipotesi diagnostica o di suggerirne una.
I CDSS knowledge based adottano un mix di regole e di “prove” basate sulla letteratura scientifica, sulla pratica clinica e sulla storia complessiva del paziente (patologie precedenti, familiarità, stile di vita e via dicendo).
Clinical Decision Support Systems: gli ambiti d’applicazione
I CDSS trovano applicazione nei tre ambiti descritti di seguito.
⇒ CDSS APPLICATI ALLA DIAGNOSTICA
Aiutano i medici a formulare la loro diagnosi andando a reperire e a correlare una molteplicità di informazioni ed “eliminando” man mano ipotesi che non trovano evidenze.
Lavorano, quindi, “andando per esclusioni” e – al tempo stesso – “scovando” i dati riferiti al caso trattato in cerca di segnali più o meno evidenti, ciascuno dei quali ha un preciso significato.
La capacità del sistema di leggere e mettere in relazione quantità rilevanti di segnali (dati) in tempi rapidissimi rende evidenti le potenzialità dello strumento.
Già oggi, numerosissime strutture sanitarie (anche italiane) utilizzano AI e CDSS in ambito diagnostico, ad esempio nel supporto alla refertazione di immagini radiologiche e in alcune attività di triage.
⇒ CDSS APPLICATI ALLA TERAPIA
Aiutano i medici a decidere il trattamento ottimale di un singolo caso, basando le proprie decisioni su criteri di appropriatezza ed efficacia, in presenza di “più soluzioni terapeutiche possibili”. E lo fanno tenendo in considerazione anche tutte le informazioni riferite al paziente in questione, e non solamente la letteratura scientifica e la pratica clinica.
⇒ CDSS APPLICATI ALLA PREVENZIONE
In tal caso, possono essere impiegati per la mappatura di segmenti di popolazione a rischio di sviluppo di una determinata patologia o di riacutizzazione di patologie croniche, sino ad arrivare ad effettuare una vera e propria stratificazione della popolazione afferente a una specifica Azienda Sanitaria o a un’intera Regione e all’elaborazione di modelli previsionali della domanda di salute.
Intelligenza Artificiale e Salute: tutto molto bello, ma la privacy?
Il forte interesse suscitato dal “pianeta” AI applicato alla Salute ha provocato non poche reazioni quantomeno “allarmate” da parte degli esperti di privacy, giustamente preoccupati di possibili violazioni delle norme e di utilizzi impropri delle immense moli di dati che questo tipo di piattaforme generano e gestiscono.
Alcune associazioni di pazienti (il fenomeno è partito negli USA, e si porta dietro le attività di studi legali interessati ad attivare class action con fini spudoratamente risarcitori) hanno avviato campagne di vera e propria demonizzazione di non meglio identificati “grandi fratelli informatici” che utilizzeranno l’Intelligenza Artificiale per fini eticamente discutibili.
Non mancano, neppure in Italia, movimenti e gruppi di interesse schierati contro l’AI “a prescindere”:
l’auspicio è che gli operatori sanitari siano capaci di far capire ai loro assistiti/pazienti che le varie “diavolerie informatiche” utilizzate non sono capricci tecnologici, ma strumenti potentissimi di supporto alle attività di diagnosi, terapia e cura.
Firmare un consenso non deve più essere un atto dovuto e noioso, quanto piuttosto un vero e proprio “patto” tra il medico e il paziente: “Caro paziente, dammi la possibilità di curarti con maggiore precisione, è nel tuo interesse”.
Naturalmente, le soluzioni adottate dovranno essere blindate rispetto a possibilità di utilizzo improprio delle informazioni prodotte da queste piattaforme, ma qui è soltanto una questione di capacità di scelta – in sede di procedura d’acquisto – di fornitori largamente al di sopra di ogni sospetto.
Il futuro dell’Intelligenza Artificiale per la Salute: “Body As A Data Lake”
La grande sfida per l’Intelligenza Artificiale in ambito clinico ha a che fare con le grandi moli di dati che il corpo umano genera in ogni istante della sua vita e con la possibilità di utilizzare questo patrimonio di informazioni non solamente “ex post” (ad esempio, per effettuare previsioni di carattere epidemiologico) ma, soprattutto, a supporto dell’attività diagnostica e terapeutica per ciascun caso o paziente trattato.
Di digital twin in Sanità se ne parla molto, e moltissimo è già stato fatto, ad esempio, per costruire gemelli digitali di organi e apparati del corpo umano.
La direzione è quella di arrivare alla costruzione di rappresentazioni digitali (modelli matematici e algoritmi di correlazione) capaci di “riprodurre” ciascun singolo individuo, potendo elaborare previsioni accurate, ad esempio, rispetto a un decorso clinico o ad un esito specifico.
Immaginiamo una timeline che organizza cronologicamente la storia clinica di un paziente.
Oggi, timeline di questo tipo sono capaci di “navigare nel paziente” a ritroso nel tempo.
Domani, potranno farlo andando nel futuro, rappresentando l’evoluzione del caso da qui a “x” anni.
Nel digital twin potremo inserire nuove variabili come, ad esempio, l’introduzione di una nuova terapia o un intervento chirurgico, per poterne valutare l’efficacia.
La portata di una simile innovazione non sfugge a nessuno e la comunità scientifica di mezzo mondo ci sta lavorando quotidianamente, collaborando con l’industria del software.
Questo tipo di futuro è molto più vicino di quanto si possa immaginare.
