Sbloccare nuove possibilità nell'assistenza sanitaria con l'intelligenza artificiale

L'assistenza sanitaria negli Stati Uniti è nelle prime fasi di una potenziale significativa interruzione dovuta all'uso di Machine Learning e Intelligenza Artificiale. Questo cambiamento è in corso da oltre un decennio, ma con i recenti progressi, sembra pronto per cambiamenti più rapidi. C'è ancora molto lavoro da fare per comprendere le applicazioni più sicure ed efficaci dell'IA nell'assistenza sanitaria, per creare fiducia tra i medici nell'uso dell'IA e per adattare il nostro sistema di istruzione clinica per promuovere un migliore utilizzo dei sistemi basati sull'IA.

Applicazioni dell'IA in sanità

L'intelligenza artificiale è in evoluzione da decenni nell'assistenza sanitaria, sia nelle funzioni rivolte ai pazienti che in quelle di back-office. Alcuni dei primi e più estesi lavori sono avvenuti nell'uso di modelli di deep learning e computer vision.

Innanzitutto, un po' di terminologia. Gli approcci statistici tradizionali nella ricerca, ad esempio studi osservazionali e sperimentazioni cliniche, hanno utilizzato approcci di modellazione incentrati sulla popolazione che si basano su modelli di regressione, in cui vengono utilizzate variabili indipendenti per prevedere i risultati. In questi approcci, mentre più dati sono meglio, c'è un effetto plateau in cui, al di sopra di una certa dimensione del set di dati, non è possibile ottenere inferenze migliori dai dati.

L'intelligenza artificiale porta un approccio più recente alla previsione. Una struttura chiamata perceptron elabora i dati che vengono passati avanti una riga alla volta e viene creata come una rete di livelli di equazioni differenziali per modificare i dati di input, per produrre un output. Durante l'addestramento, ogni riga di dati mentre passa attraverso la rete, chiamata rete neurale, modifica le equazioni a ogni livello della rete in modo che l'output previsto corrisponda all'output effettivo. Mentre i dati in un set di addestramento vengono elaborati, la rete neurale impara come prevedere il risultato.

Esistono diversi tipi di reti. Reti neurali convoluzionali, o CNN, sono stati tra i primi modelli ad avere successo in applicazioni sanitarieLe reti neurali conduttive sono molto efficaci nell'apprendere dalle immagini tramite un processo chiamato visione artificiale e hanno trovato applicazioni in cui i dati delle immagini sono importanti: radiologia, esami della retina e immagini della pelle.

Un nuovo tipo di rete neurale chiamato architettura del trasformatore è diventato un approccio dominante grazie al suo incredibile successo per il testo e le combinazioni di testo e immagini (chiamati anche dati multimodali). Le reti neurali del trasformatore sono eccezionali quando viene fornito un set di testo, nel predire il testo successivo. Un'applicazione dell'architettura del trasformatore è il Large Language Model o LLM. Diversi esempi commerciali di LLM includono Chat GPT, Anthropics Claude e Metas Llama 3.

Ciò che è stato osservato con le reti neurali, in generale, è che è stato difficile trovare un plateau per il miglioramento nell'apprendimento. In altre parole, dati sempre più dati, le reti neurali continuano ad apprendere e migliorare. I principali limiti della loro capacità sono set di dati sempre più grandi e la potenza di calcolo per addestrare i modelli. In ambito sanitario, la creazione di set di dati che proteggano la privacy e che rappresentino fedelmente la vera assistenza clinica è una priorità fondamentale per far progredire lo sviluppo dei modelli.

Gli LLM possono rappresentare un cambiamento di paradigma nell'applicazione di L’intelligenza artificiale per la sanità. Grazie alla loro facilità con il linguaggio e il testo, sono una buona corrispondenza per i record elettronici in cui quasi tutti i dati sono testo. Inoltre, non richiedono dati altamente annotati per l'addestramento, ma possono utilizzare set di dati esistenti. I due difetti principali di questi modelli sono che 1) non hanno un modello del mondo o una comprensione dei dati che vengono analizzati (sono stati definiti autocompletamento elaborato) e 2) possono allucinare o confabulare, inventando testo o immagini che sembrano accurati ma creano informazioni presentate come fatti.

I casi d'uso esplorati per l'intelligenza artificiale includono l'automazione e l'aumento della lettura di immagini radiologiche, immagini retiniche e altri dati di immagini; la riduzione dello sforzo e il miglioramento dell'accuratezza della documentazione clinica, una delle principali fonti di esaurimento dei medici; una comunicazione migliore e più empatica con i pazienti; e il miglioramento dell'efficienza delle funzioni di back-office come ciclo dei ricavi, operazioni e fatturazione.

Esempi del mondo reale

L'IA è stata introdotta gradualmente nell'assistenza clinica in generale. In genere, l'uso di successo dell'IA è seguito da studi di performance sottoposti a revisione paritaria che hanno dimostrato successo e, in alcuni casi, dall'approvazione della FDA per l'uso.

Tra i primi casi d'uso in cui l'IA funziona bene c'è stato il rilevamento di malattie nelle immagini di esami retinici e nella radiologia. Per gli esami retinici, la letteratura pubblicata sulle prestazioni di questi modelli è stata seguita dall'implementazione della fundoscopia automatizzata per rilevare malattie retiniche in contesti ambulatoriali. Gli studi sulla segmentazione delle immagini, con molti successi pubblicati, hanno prodotto molteplici soluzioni software che forniscono supporto decisionale ai radiologi, riducendo gli errori e rilevare anomalie per rendere più efficienti i flussi di lavoro dei radiologi.

Si stanno esplorando nuovi modelli di linguaggio di grandi dimensioni per l'assistenza nei flussi di lavoro clinici. La voce ambientale viene utilizzata per migliorare l'uso delle cartelle cliniche elettroniche (EHR). Attualmente, gli scribi AI vengono implementati per aiutare nella documentazione medica. Ciò consente ai medici di concentrarsi sui pazienti mentre l'AI si occupa del processo di documentazione, migliorando l'efficienza e l'accuratezza.

Inoltre, gli ospedali e i sistemi sanitari possono utilizzare le capacità di modellazione predittiva dell'IA per stratificare il rischio dei pazienti, identificando i pazienti ad alto o crescente rischio e determinando il miglior corso d'azione. Infatti, le capacità di rilevamento dei cluster dell'IA vengono sempre più utilizzate nella ricerca e nell'assistenza clinica per identificare pazienti con caratteristiche simili e determinare il tipico corso d'azione clinica per loro. Ciò può anche consentire studi clinici virtuali o simulati per determinare i percorsi di trattamento più efficaci e misurarne l'efficacia.

Un caso d'uso futuro potrebbe essere l'uso di modelli linguistici basati sull'intelligenza artificiale nella comunicazione medico-paziente. Si è scoperto che questi modelli hanno risposte valide per i pazienti che simulano conversazioni empatiche, rendendo più facile la gestione di interazioni difficili. Questa applicazione dell'intelligenza artificiale può migliorare notevolmente l'assistenza ai pazienti fornendo un triage più rapido ed efficiente dei messaggi dei pazienti in base alla gravità delle loro condizioni e del messaggio.

Sfide e considerazioni etiche

Una sfida con l'implementazione dell'IA nell'assistenza sanitaria è garantire la conformità normativa, la sicurezza del paziente e l'efficacia clinica quando si utilizzano strumenti di IA. Mentre gli studi clinici sono lo standard per i nuovi trattamenti, c'è un dibattito se gli strumenti di IA debbano seguire lo stesso approccio. Un'altra preoccupazione è il rischio di violazioni dei dati e compromissione della privacy del paziente. I grandi modelli linguistici addestrati su dati protetti possono potenzialmente far trapelare i dati di origine, il che rappresenta una minaccia significativa per la privacy del paziente. Le organizzazioni sanitarie devono trovare modi per proteggere i dati dei pazienti e prevenire le violazioni per mantenere la fiducia e la riservatezza. Anche la distorsione nei dati di addestramento è una sfida critica che deve essere affrontata. Per evitare modelli distorti, devono essere introdotti metodi migliori per evitare la distorsione nei dati di addestramento. È fondamentale sviluppare approcci di formazione e accademici che consentano una migliore formazione del modello e incorporino l'equità in tutti gli aspetti dell'assistenza sanitaria per evitare la distorsione.

L'uso dell'IA ha aperto una serie di nuove preoccupazioni e frontiere per l'innovazione. Sono necessari ulteriori studi su dove si possa trovare un vero beneficio clinico nell'uso dell'IA. Per affrontare queste sfide e preoccupazioni etiche, le organizzazioni di fornitori di servizi sanitari e le aziende di software devono concentrarsi sullo sviluppo di set di dati che modellino accuratamente i dati sanitari, garantendo al contempo l'anonimato e proteggendo la privacy. Inoltre, devono essere stabilite partnership tra fornitori di servizi sanitari, sistemi e aziende di tecnologia/software per mettere in pratica gli strumenti di IA in modo sicuro e ponderato. Affrontando queste sfide, le organizzazioni sanitarie possono sfruttare il potenziale dell'IA, mantenendo al contempo la sicurezza, la privacy e l'equità dei pazienti.