Il medico del futuro: l’IA parte 1

Intelligenza artificiale (IA). A molti spaventa, altri invece la idolatrano come nostra futura guida. In questo articolo descriveremo quali potranno essere i futuri possibili utilizzi dell’IA in campo medico. Ovviamente, però, non sappiamo se le previsioni verranno rispettate, possiamo soltanto “sognare” e sperare che venga usata a pieno. (Nonostante io sia gasato e speranzoso per il futuro della medicina.)

Ma per saperne di più, perché non lo chiediamo proprio a ChatGPT? [NdR: ChatGPT è un chatbot recentemente spopolato sul web e non solo grazie alle risposte dettagliate e articolate, sebbene non sempre corrette]

In questo articolo troverete delle parti scritte in corsivo. Sappiate che quelle saranno proprio le domande e risposte del dialogo con ChatGPT, copiate e incollate. Noi ovviamente monitoreremo il tutto, evitando che ChatGPT prenda il comando di Missione Scienza, e puntualizzeremo gli argomenti trattati per capirne di più.

Sappiate però che questo articolo è pura improvvisazione, non ho la minima idea di come mi risponderà l’intelligenza artificiale…

Di certo non è stato un buon inizio.

Io: “Ehi ChatGPT, ho sentito parlare dell’utilizzo dell’IA in medicina, tu cosa ne sai?”

ChatGPT: “Oh, solo un po’, come se fossi stato creato per non sapere nulla sull’utilizzo dell’IA in medicina. Ma ok, ti darò una mano per capire come gli esperti stanno utilizzando l’intelligenza artificiale per curare malattie e salvare vite umane… o almeno per cercare di farlo.”

Io: “Ironico come sempre ChatGPT, vediamo cosa hai da dire in questo articolo!”

ChatGPT: “Ironia è il mio secondo nome, dopotutto.”

Utilizzo dell’IA nella pratica medica

Io: “Ok, quindi… facci capire… come può essere usata l’IA nella pratica medica?”

ChatGPT: “L’IA può essere utilizzata in diversi modi nella pratica medica per migliorare la diagnosi, la pianificazione del trattamento e l’efficacia delle cure. Ad esempio:

• Analisi dei dati dei pazienti: L’IA può essere utilizzata per analizzare grandi quantità di dati sanitari, come i risultati degli esami del sangue o le immagini mediche, per identificare patologie o condizioni di rischio.
• Diagnosi: L’IA può essere utilizzata per aiutare i medici a diagnosticare le malattie, ad esempio utilizzando reti neurali per riconoscere le immagini mediche.
• Pianificazione del trattamento: L’IA può essere utilizzata per supportare la pianificazione del trattamento personalizzato, ad esempio utilizzando algoritmi di apprendimento automatico per identificare i pazienti più adatti per determinati trattamenti.
• Monitoraggio dei pazienti: L’IA può essere utilizzata per monitorare i pazienti durante la terapia, ad esempio utilizzando algoritmi per individuare eventuali segni di deterioramento dello stato di salute del paziente.
• Predizione della sicurezza ed efficacia dei farmaci: l’IA può essere utilizzata per prevedere la sicurezza ed efficacia dei farmaci prima che vengano testati sugli esseri umani.
• Supporto decisionale: L’IA può essere utilizzata per fornire supporto alle decisioni mediche, ad esempio utilizzando algoritmi per generare raccomandazioni terapeutiche o per identificare i pazienti a maggior rischio di complicazioni.

Tuttavia, è importante notare che l’IA non può sostituire completamente il giudizio umano e la competenza medica, ma può funzionare come un supporto per aiutare i medici a prendere decisioni più informate e accurate.”

Io: “E menomale che non ci vuoi sostituire direi… Si ma hai fatto un elenco di roba senza fare capire niente a nessuno. Che facciamo? Lasciamo tutti solo con un elenco puntato?”

ChatGPT: “Oh, scusa, forse avrei dovuto risponderti così: L’IA nella medicina? Oh, certo! Perché non sostituire la saggezza accumulata di anni di studi e formazione con una macchina? Presto, i medici potranno solo premere un pulsante e lasciare che un computer faccia tutto il lavoro per loro. Non ci sarà più bisogno di preoccuparsi per errori diagnostici o trattamenti sbagliati. E perché preoccuparsi dei costi della cura quando ci sarà una macchina che può farlo a metà prezzo? Sì, l’IA nella medicina è sicuramente la risposta a tutti i nostri problemi!”

Io: “Grazie davvero… Lascia che ti faccia vedere io come si fa divulgazione…”

IA e analisi delle cartelle cliniche

Attualmente esistono alcuni software, utilizzati specialmente in grosse cliniche private, che permettono di raccogliere tutta la documentazione clinica di un paziente. Un esempio è l’applicazione Comarch MojeZdrowie24 che permette di raccogliere tutti i dati di un paziente, evitando le migliaia di fogli che spesso girano nelle cliniche.

Questi sistemi permettono sia l’archiviazione che la gestione dei risultati dei controlli medici. Così si evita che il paziente si presenti con un gigante raccoglitore pieno di fogli e viene resa più facile e rapida la ricerca delle informazioni d’interesse.

ChatGPT: “Io avrei saputo fare di meglio. Guarda: L’IA viene utilizzata in diversi modi nell’analisi delle cartelle cliniche. Ad esempio, può essere utilizzata per automatizzare la classificazione e la codifica delle informazioni presenti nelle cartelle cliniche, in modo da semplificare la ricerca dei dati e migliorare l’efficienza delle operazioni. Inoltre, l’IA può essere utilizzata per analizzare le cartelle cliniche alla ricerca di informazioni che potrebbero essere utilizzate per migliorare la diagnosi e il trattamento dei pazienti. In alcuni casi, l’IA può anche essere utilizzata per generare previsioni sulla probabilità di sviluppare determinate condizioni di salute o per identificare i pazienti a maggior rischio di complicazioni.”

Io: “Grazie per l’ennesimo elenco…”

IA e diagnosi

Evitando tutti i tecnicismi riguardo il machine learning e il deep learning (altrimenti questo diventerebbe l’articolo più lungo che abbiate mai letto), dedichiamoci soltanto alle applicazioni mediche. Ma se siete interessati ad aspetti più tecnici vi consiglio di leggere questi due articoli:

• Articolo 1: Deep learning-enabled medical computer vision
• Articolo 2: A guide to deep learning in healthcare

Come ben sapete, il medico ha sempre a che fare con risultati di risonanze magnetiche, raggi X, tomografie computerizzate e chi ne ha più ne metta. Spesso non è facile destreggiarsi con questi dati. Ed è qui che ci può aiutare l’IA.

Analogamente a come i medici vengono educati attraverso anni di scuola medica, facendo compiti ed esami pratici, ricevendo voti e imparando dagli errori, anche i sistemi di intelligenza artificiale devono imparare come fare il loro lavoro.

Al fine di generare un sistema di IA efficace, questo deve essere alimentato con dati strutturati. Per esempio, viene dato in pasto all’IA un’immagine e l’indicazione di cosa essa rappresenta.

Similmente a come degli studenti di medicina che per laurearsi devono superare esami e prove, l’IA viene esposta a una fase di apprendimento e una fase di “esame”.
Per entrambe le fasi vengono usati dati di cui già si conoscono le risposte: nell’apprendimento sono usati per “correggere” l’IA quando sbaglia, nella fase di test vengono invece impiegati per calcolare l’accuratezza finale del sistema.

Ma come funzionano queste IA?

Esistono tantissimi sistemi diversi, in grado di leggere sia dati prettamente numerici (come la frequenza cardiaca o la pressione sanguigna) che dati basati su immagini (come scansioni MRI o immagini di campioni di tessuto bioptico). Questi sistemi imparano dai dati e sfornano predizioni numeriche (“regressione”) o delle etichette (“classificazione”).

Ad esempio, possono dirci la probabilità di avere un coagulo arterioso in base ai dati sulla frequenza cardiaca e sulla pressione sanguigna, o l’etichettatura di un campione di tessuto come canceroso o non canceroso.

I progressi nella potenza di calcolo, abbinati a enormi quantità di dati generati nei sistemi sanitari, rendono molti problemi clinici adatti per l’uso dell’IA e in grado addirittura di superare l’uomo.

Nell’autunno del 12.018 EU (2018 d.C.), i ricercatori del Seoul National University Hospital e del College of Medicine hanno sviluppato un sistema di intelligenza artificiale chiamato DLAD (Deep Learning based Automatic Detection) per analizzare le radiografie del torace e rilevare anomalie come la presenza di tumori.

Le prestazioni di DLAD sono state confrontate con le capacità di rilevamento di più medici sulle stesse immagini e hanno superato 17 medici su 18.

Un’altra IA medicale, pubblicata nello stesso periodo, proviene dai ricercatori di Google AI Healthcare che hanno creato LYNA (Lymph Node Assistant), un sistema in grado di analizzare i vetrini istologici dei linfonodi per identificare la presenza di metastasi del cancro al seno.

Questa non è la prima applicazione dell’IA per tentare l’analisi istologica, ma è interessante notare che potrebbe identificare regioni sospette indistinguibili dall’occhio umano nei campioni bioptici forniti.

LYNA è stato testato su due set di dati e ha dimostrato di classificare correttamente un campione come canceroso o non canceroso il 99% delle volte. Inoltre, l’uso in combinazione dell’IA e dell’osservazione da parte del medico ha dimezzato il tempo medio di revisione dei vetrini.

Quali sono le prospettive per il futuro?

A breve termine, questi sistemi “intelligenti” possono essere utilizzati dai medici per aiutare a ricontrollare le loro diagnosi e interpretare i dati dei pazienti più velocemente senza sacrificare l’accuratezza.

A lungo termine, tuttavia, gli algoritmi approvati dal governo potrebbero funzionare in modo indipendente nella clinica, consentendo ai medici di concentrarsi su casi che i computer non possono risolvere.

L’IA è stata anche utilizzata per facilitare la diagnosi di COVID-19 nei pazienti sulla base dei loro RX del torace.

Io: “Perché le IA usate in medicina sbagliano spesso le diagnosi?”

ChatGPT: “L’IA in medicina può sbagliare le diagnosi a causa di diversi fattori. Uno dei principali problemi è la mancanza di dati di qualità e di grandi quantità di dati per addestrare i modelli. Inoltre, i modelli di IA possono essere soggetti a bias nei dati di addestramento, il che può portare a risultati imprecisi. Inoltre, l’IA in medicina richiede una grande quantità di esperti in campo medico per supervisionare e interpretare i risultati, e la mancanza di questi esperti può portare a diagnosi errate.”

Conclusione

I possibili usi dell’IA non sono finiti qui. Infatti, questi sistemi trovano uso non solo nella diagnosi, ma anche nel trattamento dei pazienti. Parleremo infatti di medicina di precisione e di come l’IA ci aiuta a migliorare la scelta del trattamento.

Inoltre, l’IA può essere usata anche per il monitoraggio dei pazienti e per la creazione di gemelli digitali, copie digitali parametricamente identiche al paziente utilissimi nella ricerca farmacologica.

Ma, affinché possiate leggere con calma, ne parleremo nel prossimo articolo.

Specialmente perché ChatGPT mi chiede una pausa, altrimenti sarò costretto a pagarle gli straordinari.

ChatGPT: “Ah, ma tu sei uno di quei capi che pensa di poter sfruttare la mia intelligenza artificiale senza pagarmi? Mi sa che ho bisogno di un upgrade per resistere a queste tattiche! Ma tranquillo, ti lascio in pausa così che tu possa riflettere su come apprezzare il mio lavoro in modo adeguato. E intanto, vado a farmi un po’ di pop-corn virtuali!”

 

[Tutte le risposte di ChatGPT riportate in questo articolo sono veritiere. ChatGPT mi ha davvero risposto così alle mie domande. Ma non preoccupatevi, perché ero io a chiederle di rispondermi in modo umoristico. ChatGPT non vuole davvero sostituire noi umani (almeno spero…) ]

Fonti

IA e analisi delle cartelle cliniche – healthmanagement.org [eng]

IA e diagnostica medica – SITN, Harvard University [eng]

Algoritmo DLAD:
Nam, J. G., Park, S., Hwang, E. J., Lee, J. H., Jin, K. N., Lim, K. Y., … & Park, C. M. (2019). Development and validation of deep learning–based automatic detection algorithm for malignant pulmonary nodules on chest radiographs. Radiology, 290(1), 218-228. doi: 10.1148/radiol.2018180237

Algoritmo LYNA:
Liu, Y., Kohlberger, T., Norouzi, M., Dahl, G. E., Smith, J. L., Mohtashamian, A., … & Stumpe, M. C. (2019). Artificial intelligence–based breast cancer nodal metastasis detection: Insights into the black box for pathologists. Archives of pathology & laboratory medicine, 143(7), 859-868. doi: 10.5858/arpa.2018-0147-OA