Certo è che l’intelligenza artificiale ha trasformato le nostre vite e continuerà a farlo.

Pensiamo a tutte le applicazioni ormai considerate parte della nostra vita quotidiana: dai famosi assistenti vocali come Alexa, Google o Siri ai suggerimenti forniti in rete basati, ad esempio, su acquisti precedenti, su ricerche e su altri comportamenti registrati online

Secondo le dovute ricerche anche in campo medico l’utilizzo dell’intelligenza artificiale, e usato per aiutare nelle diagnosi ad esempio, è sempre più diffuso!

Le ragioni per cui si è ripreso a parlarne così tanto sono legate alla disponibilità di enormi moli di dati e di computer in grado di elaborarli.

Infine, è cambiata la natura stessa dei software di intelligenza artificiale: fino ad alcune decine di anni fa andavano di moda i sistemi tradizionali di intelligenza artificiale, ovvero dei sistemi deterministici con comportamenti prevedibili in base agli input forniti, oggi invece hanno sempre più piede le tecniche di machine learning, grazie a cui il software impara dai dati a disposizione.

In particolare nell'area oncologica, respiratoria o cardiologica, grazie alla disponibilità di immagini fornite tramite radiografie, ecografie o TAC, è possibile identificare, con un buon grado di affidabilità patologie, tumorali e non, allo stadio iniziale, prima ancora che diventino importanti.

Un'altra area sulla quale si sta lavorando molto è quella legata ai sistemi di predizione, in grado di identificare possibili patologie ancora prima che queste si manifestino, ad esempio in ambito cardiovascolare. Grazie all'analisi degli elettrocardiogrammi e alla storia clinica del paziente è possibile identificare se il soggetto sia o meno a rischio di sviluppare patologie come fibrillazione atriale o scompenso cardiaco.

Inoltre, sulla base delle linee guida disponibili al momento e sulla base della storia clinica dei pazienti la macchina suggerisce il trattamento opportuno che il medico, successivamente, validerà o meno.

Che siano diagnostici, prognostici o decisionali, a supporto del professionista, per aiutarlo nel definire una diagnosi, una prognosi o nell'identificare il miglior trattamento possibile da dare al paziente.

In alcuni casi, ad esempio, vengono usati i sistemi diagnostici dotati di IA per fare attività di screening, dopodiché entra sempre in gioco lo specialista che può studiare meglio la situazione.

Non bisogna immaginare l’intelligenza artificiale come qualcosa che andrà a sostituire il medico: gli strumenti saranno anche intelligenti, ma le decisioni finali rimangono al medico per questioni di responsabilità, di etica e di deontologia.

I medici sono sicuramente i primi a desiderare strumenti di aiuto e supporto, ma non hanno certo interesse a essere sostituiti dalle macchine.

Per oggi la situazione è questa, sperando che le tendenze future vadano nello stesso modo.

Un altro grande rischio è legato all’utilizzazione di sistemi di intelligenza artificiale non sufficientemente testati e provvisti di prove scientifiche e tecniche.

Andrebbero condotti studi clinici metodologicamente più solidi, prospettici (meglio se randomizzati), multicentrici, con un adeguato campione che sia effettivamente rappresentativo della popolazione presa in esame. 

Occorre creare, anche a livello istituzionale, le condizioni affinché questi strumenti siano regolamentati in accordo alla nuova normativa europea sui dispositivi medici (a cui questi strumenti in gran parte afferiscono), molto più stringente, in termini di richiesta di prove di sicurezza ed efficacia, ai fini della loro approvazione e introduzione nel mercato.

Questi ultimi lavorano sui contenuti, sono cioè in grado di interpretare linee guida, storie cliniche dei pazienti e i dati raccolti, e di poterli leggere secondo regole ben precise. Chat GPT è invece uno strumento che implementa modelli linguistici di grandi dimensioni (LLM) e serve per aiutare a scrivere testi semplici e comprensibili.

Quando si pongono delle domande a chat GPT il sistema trova, attraverso il software, quali sono le parole che hanno la maggiore probabilità di essere affini a quelle che le precedono rispetto ad altre parole che rimangono escluse.

È un sistema che è in grado di scrivere testi molto chiari, ma non necessariamente affidabili.

Se ad esempio chiediamo a Chat GPT di fornirci le informazioni più aggiornate secondo la letteratura scientifica su una particolare patologia o su un particolare farmaco, “lui”, non avendo il concetto di letteratura scientifica più recente, ma capendo la sintassi, va a combinare nozioni che non sempre sono corrette.

Detto ciò, le potenzialità sono comunque molte.

Si potrebbe sfruttare Chat GPT per sintetizzare e semplificare referti, lettere di dimissioni o documenti complessi in un linguaggio facilmente comprensibile dai pazienti.

In questo caso verrebbero tradotti contenuti naturalmente affidabili.

Oppure, ancora, per organizzare la documentazione all'interno di una struttura sanitaria.

Questo strumento, dunque, può essere utile sia per i pazienti sia per il personale dell'ospedale, ma non solo.

Anche gli studenti possono sfruttarlo per la loro formazione, come supporto allo studio in preparazione degli esami. Secondo uno studio recente, infatti, Chat GPT sarebbe in grado di superare, seppur con il punteggio minimo, la licenza medica negli Stati Uniti.

Indipendentemente dal fatto che si usino strumenti di IA avanzati o Chat GPT (e strumenti analoghi), il rischio che la preparazione e le conoscenze dei medici venga meno, se decidono di affidarsi ad essi (un fenomeno chiamato deskilling), esiste.

Per evitare ciò bisogna continuare con la propria formazione evitando che le scelte e i ragionamenti più complicati vengano lasciati alla macchina. L'esperienza del medico e tutte le caratteristiche empatiche che lo legano al paziente sono ancora oggi difficilmente sostituibili.

Quando un paziente decide di reperire informazioni, ad esempio, su come gestire una determinata patologia quindi cosa mangiare o quali farmaci assumere, deve tenere presente che Chat GPT attinge informazioni da tutto quello che è presente su internet che, naturalmente, contiene anche molte fake news.

Finché non verrà ristretto il campo da cui prendere le informazioni, inserendo solo quelle affidabili e validate, dovremmo comportarci come quando cerchiamo informazioni su Google, verificando che le risposte fornite siano coerenti e affidabili.

Come? Magari facendo più domande simili, confrontando i risultati di quello che si ottiene con Chat GPT con altre fonti come lo stesso Google, oppure siti web istituzionali.

Con questi strumenti la cautela è d’obbligo. Cautela che di recente è stata suggerita da parte dell’OMS anche per evitare che possa essere erosa la fiducia nell'Intelligenza Artificiale più “tradizionale”, ritardandone i potenziali benefici dati dal suo impiego.

Da allora si sono moltiplicate le partnership tra case farmaceutiche e aziende tecnologiche, con l’obiettivo di analizzare grandi set di dati e scoprire nuove correlazioni per sviluppare farmaci in poco tempo e con costi minori.

Tra i campi che stanno attirando molti investitori, ci sono poi quello della riabilitazione, con macchine in grado di imparare dagli esercizi del fisioterapista per poi replicarli sul paziente, e dell’imaging medico.

Chi scrive ha preso parte alla passata edizione della conferenza, nel 2022 a San Francisco e – nell’edizione di quest’anno – ha ottenuto un pass gratuito presentando un abstract dal titolo “Hospital-acquired infections surveillance and prevention: using Natural Language Processing to analyze unstructured text of hospital discharge letters for surgical site infections identification and risk-stratification“, un lavoro svolto presso il dipartimento di ricerca traslazionale e nuove tecnologie in medicina e chirurgia dell’Università di Pisa, coordinato dalla professoressa Caterina Rizzo.

Una suggestione per il futuro è, invece, quella rappresentata dalle reti neurali liquide (Liquid Neural Networks) basate su una nuova architettura, più piccola e maggiormente flessibile, in grado di adattarsi continuamente con costi computazionali molto più bassi.

Le reti neurali liquide sono recentemente state sviluppate da alcuni ricercatori del MIT e – pur non avendo al momento applicazioni in ambito sanitario – sembrano essere particolarmente promettenti per i sistemi di supporto alla decisione clinica, ad esempio nel contesto delle terapie intensive.

Uno degli aspetti più rilevanti è il ruolo chiave che assumono i professionisti sanitari nello sviluppare soluzioni di AI che possano realmente avere un impatto in Sanità trasferendo questi strumenti dal mondo della ricerca a quello della clinica.

L’approccio multidisciplinare, basato su una collaborazione proficua tra gli esperti di AI ed il personale sanitario, è imperativo per creare soluzioni utili ed utilizzabili.

Affinché i medici inizino a svolgere un ruolo attivo nello sviluppo dell’Intelligenza Artificiale in Medicina, non necessariamente devono imparare a programmare in Phyton, ma devono saper identificare quali problemi l’AI può risolvere e, per fare ciò, devono comprenderne i principi di funzionamento ed essere in grado di parlare la stessa lingua dei data scientist.

In questo senso, una demistificazione dell’apparentemente complesso e misterioso funzionamento dell’AI può portare a grandi benefici.

Per questo, le attività formative svolgono e svolgeranno un ruolo sempre più chiave.

5 di questi sono stati selezionati per essere presentati tra gli headliners sul palco principale durante l’ultimo giorno del Summit.

Chi scrive ha presentato l’abstract dal titolo “Hospital-acquired infections surveillance and prevention: using Natural Language Processing to analyze unstructured text of hospital discharge letters for surgical site infections identification and risk-stratification” che si è aggiudicato il primo premio della giuria.

Questo approccio innovativo per la sorveglianza delle infezioni del sito chirurgico (ISC) ha richiesto un grande lavoro di labeling delle lettere di dimissione ospedaliera (LDO) dell’Azienda Ospedaliera Universitaria Pisana (AOUP) per identificare i casi di ISC (circa 600 casi identificati su oltre 20.000 LDO analizzate).

Il modello di classificazione binaria, basato su una versione italiana di BERT, famosissimo modello transformer, è quello che si è rivelato maggiormente promettente.

L’algoritmo, attualmente sviluppato per supportare le attività di sorveglianza delle ISC intra-ospedaliere, andrà incontro ad un processo di validazione esterna, su dati provenienti da altre strutture ospedaliere, e in seguito potrebbe diventare utile non solo per la sorveglianza, ma essere riadattato come modello predittivo per identificare, al momento della dimissione, i pazienti ad alto rischio di sviluppare una ISC post-dimissione.

Vedere apprezzato il proprio lavoro è sempre motivo di soddisfazione ma, in questo caso, il premio per il progetto condotto presso l’Università di Pisa assume maggior valore, poiché conferma che, pur non avendo le stesse risorse degli Stati Uniti, è possibile, anche in Italia, sviluppare modelli di AI che hanno il potenziale di migliorare la salute dei pazienti e della popolazione.