Come i dati dei pazienti stanno guidando il futuro dell’assistenza sanitaria

La corsa dell’IA nel settore sanitario si sta spostando sempre più dalla domanda se le macchine possano generare informazioni mediche verso una più rilevante: cosa succede quando l’IA può lavorare con i dati dei pazienti che clinici e ricercatori hanno già a disposizione?

Tre recenti sviluppi indicano verso dove potrebbe dirigersi questo cambiamento.

Innanzitutto, OpenAI ha recentemente collegato ChatGPT for Healthcare a dati autorizzati dati dei record elettronici sanitari Epic, portando il contesto clinico specifico del paziente in un flusso di lavoro IA e potenzialmente riducendo il tempo che i clinici impiegano a cercare tra cartelle mediche frammentate.  

Successivamente, PurpleLab, un’azienda di dati e analisi sanitarie, ha appena lanciato CARES, un’iniziativa per supportare la ricerca utilizzando la sua enorme quantità di dati sanitari del mondo reale. 

Infine, i ricercatori della Harvard Medical School hanno sviluppato un modello di IA che utilizza i record sanitari esistenti e le informazioni genetiche per stimare il rischio di centinaia di malattie.

Considerati insieme, suggeriscono ciò che molti nel settore sanitario hanno ipotizzato da tempo: che i dati dei pazienti potrebbero essere uno dei beni più preziosi dell’industria sanitaria per l’innovazione nella cura.

Esaminiamo più a fondo ciascuna di queste recenti scoperte sui dati dei pazienti.

Dai cartelle cliniche elettroniche agli assistenti IA

Il 1° settembre, OpenAI ha annunciato un’integrazione Epic per ChatGPT for Healthcare che consente alle organizzazioni sanitarie autorizzate di inserire le informazioni dei pazienti nei flussi di lavoro assistiti dall’IA.

L’integrazione può aiutare i clinici a esaminare informazioni come note mediche, farmaci, risultati di laboratorio e incontri precedenti senza dover assemblare manualmente la storia di un paziente da diverse parti del record.

Il sistema è in sola lettura, il che significa che l’IA non modifica autonomamente il record medico.

Questa distinzione è importante. L’opportunità immediata non consiste nel sostituire il cartellino elettronico o nel consentire a un sistema IA di prendere decisioni autonomamente. Si tratta di ridurre il tempo che i clinici impiegano a trovare e sintetizzare le informazioni.

OpenAI sta inoltre collegando ChatGPT for Healthcare a fonti pubbliche ufficiali, tra cui PubMed, ClinicalTrials.gov, DailyMed e i dati CMS.

L’idea più ampia è la combinazione del contesto del paziente e delle evidenze mediche esterne nello stesso flusso di lavoro.

Rendere i dati del mondo reale più utili per la ricerca

PurpleLab, un’azienda di dati e analisi che si concentra, tra le altre cose, su Evidenze del Mondo Reale (RWE) e Dati del Mondo Reale (RWD) nel settore sanitario, ha recentemente lanciato il Center for Advancing Real-World Evidence Studies, o CARES, con l’obiettivo di aiutare ricercatori, istituzioni accademiche, reti di evidenza e comunità di pazienti a utilizzare i dati del mondo reale in modo più efficace.

L’importanza va oltre il semplice rendere più dati disponibili.

I ricercatori sanitari hanno da tempo affrontato problemi legati a definizioni incoerenti, set di dati frammentati e difficoltà nel riprodurre studi precedenti.

CARES è progettato attorno alla ricerca riproducibile, metodi trasparenti, partnership accademiche e ricerca incentrata sul paziente.

PurpleLab afferma che i ricercatori possono lavorare con i suoi set di dati del mondo reale per studiare i modelli di trattamento, i risultati e i costi sanitari in settori tra cui oncologia, cardiologia, salute mentale e malattie rare.

Se avrà successo, iniziative come questa potrebbero contribuire a trasformare le informazioni sanitarie generate regolarmente in evidenze che rispondono a domande che gli studi clinici tradizionali non sempre riescono a affrontare rapidamente.

“Le evidenze del mondo reale sono più solide quando sono rigorose, sottoposte a revisione paritaria e condivise apertamente. Con PurpleLab CARES, dimostriamo cosa possono fare i nostri dati nelle mani di ricercatori, partner accademici e comunità di pazienti,” ha dichiarato Scott DuVall, Senior Vice President, Real-World Evidence, presso PurpleLab, in una dichiarazione aziendale.

Prevedere la malattia prima che si manifesti

Presso Harvard, i team di ricerca stanno trasformando i dati dei pazienti in motori predittivi. 

Un modello di apprendimento automatico sviluppato da ricercatori del Dana-Farber Cancer Institute e del Massachusetts General Hospital può stimare il rischio di 348 malattie di un paziente utilizzando le cartelle cliniche elettroniche (EHR) raccolte regolarmente insieme alle informazioni sul rischio genetico.

Il modello, chiamato Aladynoulli, è stato addestrato e validato usando dati provenienti da oltre 683.000 record di pazienti in tre biobanche.

I ricercatori affermano che può aggiornare dinamicamente le valutazioni del rischio man mano che un paziente invecchia.

Il suo potenziale è notevole. Invece di considerare la storia medica solo come un registro di ciò che è già accaduto, l’IA potrebbe sempre più usarla per identificare schemi associati a ciò che potrebbe accadere in futuro.

Ma è qui che la cautela è fondamentale. Finora il modello è stato valutato usando dati storici dei pazienti e sono necessarie ulteriori ricerche prima di stabilire come si comporta in contesti clinici reali.

La vera sfida è la fiducia

Il futuro dell’IA nella sanità potrebbe quindi dipendere meno da quanto impressionante suoni un algoritmo e più da quanto i dati alla base siano accurati, rappresentativi, sicuri e gestiti in modo responsabile.

I dati dei pazienti possono rivelare schemi difficili da individuare per gli esseri umani attraverso anni di storia medica. Tuttavia quegli stessi record contengono alcune delle informazioni più sensibili che una persona genera.

Man mano che le organizzazioni sanitarie collegano cartelle cliniche elettroniche (EHR), banche dati di ricerca e sistemi di IA, la domanda centrale non sarà semplicemente se l’IA può estrarre più valore dai dati dei pazienti.

Sarà se il sistema sanitario può farlo senza perdere la fiducia dei pazienti.

Quel equilibrio tra informazioni migliori e uso responsabile potrebbe alla fine determinare quanto l’IA si sposterà dal laboratorio di ricerca alla sanità quotidiana.