Potenziale Trasformativo di un Modello Fondamentale per la Sanità

Negli ultimi due anni, i modelli fondamentali generalisti come GPT-4 hanno subito una notevole evoluzione, offrendo capacità senza precedenti grazie a dataset più ampi, dimensioni dei modelli aumentate e miglioramenti architettonici. Questi modelli sono adattabili a una vasta gamma di attività in vari campi. Tuttavia, l’intelligenza artificiale nella sanità è ancora caratterizzata da modelli progettati per attività specifiche. Ad esempio, un modello addestrato ad analizzare radiografie per fratture ossee potrebbe solo identificare le fratture e non disporre della capacità di generare referti radiologici completi. La maggior parte dei 500 modelli di intelligenza artificiale approvati dalla Food and Drug Administration è limitata a uno o due casi d’uso. Tuttavia, i modelli fondamentali, noti per la loro ampia applicabilità in diverse attività, stanno creando le basi per un approccio trasformativo nelle applicazioni sanitarie.

Mentre ci sono stati tentativi iniziali di sviluppare modelli fondamentali per applicazioni mediche, questo approccio più ampio non si è ancora affermato nella sanità. Questa lenta adozione è principalmente dovuta alle sfide associate all’accesso a grandi e diversificati dataset sanitari, nonché alla necessità di modelli in grado di ragionare su diversi tipi di dati medici. La pratica della sanità è intrinsecamente multimodale e incorpora informazioni da immagini, cartelle cliniche elettroniche (EHR), sensori, dispositivi indossabili, genomics e altro. Pertanto, un modello fondamentale per la sanità deve essere anch’esso intrinsecamente multimodale. Tuttavia, i recenti progressi nelle architetture multimodali e nell’apprendimento auto-supervisionato, che possono gestire vari tipi di dati senza necessità di dati etichettati, stanno aprendo la strada a un modello fondamentale per la sanità.

Stato Attuale dell’Intelligenza Artificiale Generativa nella Sanità

La sanità ha tradizionalmente avuto una lenta adozione della tecnologia, tuttavia, sembra aver abbracciato più velocemente l’Intelligenza Artificiale Generativa. Al congresso HIMSS24, il più grande evento globale per professionisti della tecnologia sanitaria, l’Intelligenza Artificiale Generativa è stata il fulcro di quasi ogni presentazione.

Uno dei primi casi d’uso dell’Intelligenza Artificiale Generativa nella sanità che ha visto un’ampia adozione si concentra sull’alleviare il carico amministrativo della documentazione clinica. Tradizionalmente, la documentazione delle interazioni con i pazienti e dei processi di cura consuma una parte sostanziale del tempo dei medici (>2 ore al giorno), spesso distogliendoli dalle cure dirette ai pazienti.

I modelli di intelligenza artificiale come GPT-4 o MedPalm-2 sono utilizzati per monitorare i dati dei pazienti e le interazioni medico-paziente per creare bozze di documenti chiave come note di progresso, riassunti di dimissioni e lettere di rimando. Queste bozze catturano informazioni essenziali in modo accurato, richiedendo solo la revisione e l’approvazione del medico. Ciò riduce in modo significativo il tempo di scrittura, consentendo ai medici di concentrarsi di più sulle cure ai pazienti, migliorando la qualità del servizio e riducendo il burnout.

Tuttavia, le applicazioni più ampie dei modelli fondamentali nella sanità non si sono ancora pienamente realizzate. I modelli fondamentali generalisti come GPT-4 hanno diverse limitazioni; pertanto, c’è bisogno di un modello fondamentale specifico per la sanità. Ad esempio, GPT-4 non dispone della capacità di analizzare immagini mediche o comprendere i dati dei pazienti longitudinali, che è fondamentale per fornire diagnosi accurate. Inoltre, non possiede le conoscenze mediche più aggiornate, poiché è stato addestrato con dati disponibili solo fino a dicembre 2023. Il modello MedPalm-2 di Google rappresenta il primo tentativo di costruire un modello fondamentale specifico per la sanità, capace sia di rispondere a query mediche che di ragionare su immagini mediche. Tuttavia, non cattura ancora pienamente il potenziale dell’intelligenza artificiale nella sanità.

Costruire un Modello Fondamentale per la Sanità

Il processo di costruzione di un modello fondamentale per la sanità inizia con i dati derivati da fonti pubbliche e private, compresi biobanche, dati sperimentali e cartelle cliniche. Questo modello sarebbe in grado di elaborare e combinare diversi tipi di dati, come testo con immagini o risultati di laboratorio, per eseguire compiti medici complessi.

Inoltre, potrebbe ragionare su nuove situazioni e articolare i suoi output in linguaggio medico preciso. Questa capacità si estende all’inferenza e all’utilizzo di relazioni causali tra concetti medici e dati clinici, specialmente quando si forniscono raccomandazioni di trattamento basate su dati osservazionali. Ad esempio, potrebbe prevedere la sindrome da distress respiratorio acuto da trauma toracico grave recente e livelli di ossigeno arterioso in calo, nonostante un aumento dell’apporto di ossigeno.

Inoltre, il modello avrebbe accesso a informazioni contestuali da risorse come grafi di conoscenza o database per ottenere conoscenze mediche aggiornate, migliorando la sua capacità di ragionamento e assicurando che i suoi consigli riflettano gli ultimi progressi nella medicina.

Applicazioni e Impatto del Modello Fondamentale per la Sanità

Le potenziali applicazioni di un modello fondamentale per la sanità sono estese. Nella diagnostica, un tale modello potrebbe ridurre la dipendenza dall’analisi umana. Per la pianificazione del trattamento, il modello potrebbe aiutare a creare strategie di trattamento personalizzate considerando l’intera cartella clinica del paziente, i dettagli genetici e gli stili di vita. Altre applicazioni includono:

• Referti radiologici fondati: Il modello fondamentale per la sanità può trasformare la radiologia digitale creando assistenti versatili che supportano i radiologi automatizzando la stesura dei referti e riducendo il carico di lavoro. Sarebbe anche in grado di integrare l’intera storia del paziente. Ad esempio, i radiologi possono chiedere al modello informazioni sui cambiamenti nelle condizioni nel tempo: “Puoi identificare eventuali cambiamenti nelle dimensioni del tumore dalla scorsa scansione?”
• Supporto alle Decisioni Cliniche al Letto del Paziente: Sfruttando la conoscenza clinica, offrirebbe spiegazioni chiare e riassunti di dati, allertando il personale medico sui rischi immediati per il paziente e suggerendo i passi successivi. Ad esempio, il modello potrebbe segnalare, “Attenzione: questo paziente sta per entrare in shock,” e fornire collegamenti a riassunti di dati rilevanti e checklist per azioni.
• Scoperta di Farmaci: La progettazione di proteine che si legano specificamente e fortemente a un bersaglio è la base della scoperta di farmaci. I primi modelli come RFdiffusion hanno iniziato a generare proteine in base a input di base come un bersaglio per il legame. Costruendo su questi modelli iniziali, un modello fondamentale specifico per la sanità potrebbe essere addestrato a comprendere sia il linguaggio che le sequenze di proteine. Ciò gli permetterebbe di offrire un’interfaccia testuale per la progettazione di proteine, potenzialmente accelerando lo sviluppo di nuovi farmaci.

Sfide

Sebbene costruire un modello fondamentale specifico per la sanità rimanga l’obiettivo finale, e i recenti progressi lo abbiano reso più fattibile, ci sono ancora sfide significative nello sviluppare un modello unico in grado di ragionare su concetti medici diversi:

• Mappatura di molteplici modalità: Il modello deve essere addestrato su diverse modalità di dati come dati delle cartelle cliniche elettroniche, dati di imaging medico e dati genetici. Ragionare su queste modalità è una sfida perché reperire dati ad alta fedeltà che mappino accuratamente le interazioni su tutte queste modalità è difficile. Inoltre, rappresentare varie modalità biologiche, dalle dinamiche cellulari alle strutture molecolari e alle interazioni genetiche a livello di genoma, è complesso. L’addestramento ottimale su dati umani è impraticabile e non etico, quindi i ricercatori si affidano a modelli animali o linee cellulari meno prevedibili, creando una sfida nella traduzione delle misurazioni di laboratorio al funzionamento complesso degli organismi interi.
• Validazione e Verifica: I modelli fondamentali per la sanità sono difficili da validare a causa della loro versatilità. Tradizionalmente, i modelli di intelligenza artificiale sono validati per attività specifiche come la diagnosi di un tipo di cancro da una MRI. Tuttavia, i modelli fondamentali possono eseguire nuove attività non viste, rendendo difficile anticipare tutti i possibili modi di fallimento. Richiedono spiegazioni dettagliate dei test e dei casi d’uso approvati e dovrebbero emettere avvertimenti per l’uso off-label. Verificare i loro output è anche complesso, poiché gestiscono input e output diversi, potenzialmente richiedendo un panel multidisciplinare per garantire l’accuratezza.
• Pregiudizi Sociali: Questi modelli rischiano di perpetuare pregiudizi, poiché potrebbero essere addestrati su dati che sottorappresentano certi gruppi o contengono correlazioni pregiudicate. Affrontare questi pregiudizi è cruciale, in particolare poiché la scala dei modelli aumenta, il che può intensificare il problema.

Percorso Avanti

L’Intelligenza Artificiale Generativa ha già iniziato a ridisegnare la sanità alleviando il carico della documentazione sui clinici, ma il suo pieno potenziale si trova davanti a noi. Il futuro dei modelli fondamentali nella sanità promette di essere trasformativo. Immaginate un sistema sanitario in cui le diagnosi non sono solo più veloci ma anche più accurate, in cui i piani di trattamento sono personalizzati in base ai profili genetici dei singoli pazienti e in cui i nuovi farmaci potrebbero essere scoperti in pochi mesi invece di anni.

Creare un modello di intelligenza artificiale fondamentale specifico per la sanità presenta sfide, specialmente quando si tratta di integrare i dati medici e clinici diversificati e sparsi. Tuttavia, queste sfide possono essere affrontate attraverso sforzi collaborativi tra tecnologi, clinici e responsabili delle politiche. Lavorando insieme, possiamo sviluppare quadri commerciali che incentivino vari stakeholder (cartelle cliniche elettroniche, società di imaging, laboratori di patologia, fornitori) a unificare questi dati e costruire architetture di modelli di intelligenza artificiale in grado di elaborare interazioni complesse e multimodali all’interno della sanità.

Inoltre, è cruciale che questo progresso proceda con una chiara bussola etica e solide cornici regolatorie per assicurare che queste tecnologie siano utilizzate in modo responsabile e equo. Mantenendo alti standard di validazione e equità, la comunità sanitaria può costruire fiducia e favorire l’accettazione sia tra i pazienti che tra gli operatori sanitari.

Il percorso verso la piena realizzazione del potenziale dei modelli fondamentali per la sanità è una frontiera emozionante. Abbracciando questo spirito innovativo, il settore sanitario può anticipare non solo di affrontare le sfide attuali ma di trasformare la scienza medica. Siamo sull’orlo di una nuova era audace nella sanità, una che pullula di possibilità e guidata dalla promessa dell’intelligenza artificiale di migliorare le vite su scala globale.