Sbloccare nuove possibilità nel settore sanitario con l’AI

Il settore sanitario negli Stati Uniti è nelle prime fasi di una significativa potenziale disruptazione a causa dell’utilizzo 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. Molti lavori rimangono da fare per comprendere le applicazioni più sicure e più efficaci dell’AI nel settore sanitario, per costruire la fiducia tra i clinici nell’utilizzo dell’AI e per adattare il nostro sistema di educazione clinica per guidare un migliore utilizzo dei sistemi basati sull’AI.

Applicazioni dell’AI nel settore sanitario

L’AI è stata in evoluzione per decenni nel settore sanitario, sia nelle funzioni rivolte ai pazienti che in quelle di back-office. Alcuni dei primi e più estensivi lavori sono stati realizzati nell’utilizzo di modelli di deep learning e computer vision.

Innanzitutto, alcune terminologie. Gli approcci statistici tradizionali nella ricerca – ad esempio, gli studi osservazionali e i trial clinici – hanno utilizzato approcci di modellazione focalizzati sulla popolazione che si basano su modelli di regressione, in cui le variabili indipendenti sono utilizzate per prevedere gli esiti. In questi approcci, anche se più dati sono meglio, c’è un effetto di plateau in cui al di sopra di una certa dimensione del set di dati, non possono essere ottenute migliori inferenze dai dati.

L’Intelligenza Artificiale porta un nuovo approccio alla previsione. Una struttura chiamata perceptron elabora i dati che vengono passati in avanti riga per riga, 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 in ogni livello della rete in modo che l’output previsto corrisponda all’output effettivo. Mentre i dati nel set di addestramento vengono elaborati, la rete neurale impara come prevedere l’esito.

Esistono diversi tipi di reti. Le reti neurali convoluzionali, o CNN, sono state tra i primi modelli a trovare successo nelle applicazioni sanitarie. Le CNN sono molto brave a imparare dalle immagini in un processo chiamato computer vision e hanno trovato applicazioni dove i dati delle immagini sono prominenti: radiologia, esami della retina e immagini della pelle.

Un tipo di rete neurale più recente chiamato architettura transformer è diventata un approccio dominante a causa del suo incredibile successo per il testo e le combinazioni di testo e immagini (chiamate anche dati multimodali). Le reti neurali transformer sono eccezionali quando vengono date un set di testo, a prevedere il testo successivo. Un’applicazione dell’architettura transformer è il Large Language Model o LLM. Molti 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 un plateau per il miglioramento dell’apprendimento è stato difficile da trovare. In altre parole, dati sempre più grandi, le reti neurali continuano a imparare e migliorare. I principali limiti alle loro capacità sono i set di dati sempre più grandi e la potenza di calcolo per addestrare i modelli. Nel settore sanitario, la creazione di set di dati protetti dalla privacy che rappresentano fedelmente la vera assistenza sanitaria è una priorità chiave per avanzare lo sviluppo dei modelli.

Gli LLM possono rappresentare un cambiamento di paradigma nell’applicazione dell’AI per la sanità. A causa della loro facilità con il linguaggio e il testo, sono una buona corrispondenza ai registri elettronici in cui quasi tutti i dati sono testo. Non richiedono inoltre dati altamente annotati per l’addestramento, ma possono utilizzare set di dati esistenti. I due principali difetti di questi modelli sono che 1) non hanno un modello del mondo o una comprensione dei dati che vengono analizzati (sono stati chiamati autocomplete fantasiosi), e 2) possono hallucinare o confabulare, inventando testo o immagini che appaiono accurate ma creano informazioni presentate come fatto.

I casi d’uso che vengono esplorati per l’AI includono l’automazione e il potenziamento della lettura delle immagini di radiologia, delle immagini della retina e di altri dati di immagine; la riduzione dello sforzo e il miglioramento dell’accuratezza della documentazione clinica, una fonte principale di burnout dei clinici; una migliore e più empatica comunicazione con i pazienti; e il miglioramento dell’efficienza delle funzioni di back-office come il ciclo di entrate, le operazioni e la fatturazione.

Esempi nel mondo reale

L’AI è stata introdotta in modo incrementale nell’assistenza sanitaria in generale. Di solito, l’utilizzo di successo dell’AI ha seguito trial peer-reviewed di prestazioni che hanno dimostrato il successo e, in alcuni casi, l’approvazione della FDA per l’utilizzo.

Tra i primi casi d’uso in cui l’AI si comporta bene ci sono stati l’AI che rileva la malattia nelle immagini degli esami della retina e della radiologia. Per gli esami della retina, la letteratura pubblicata sulle prestazioni di questi modelli è stata seguita dal dispiegamento della fondoscopia automatizzata per rilevare la malattia della retina in ambienti ambulatoriali. Gli studi sulla segmentazione delle immagini, con molti successi pubblicati, hanno portato a molte soluzioni software che forniscono supporto decisionale per i radiologi, riducendo gli errori e rilevando anomalie per rendere i flussi di lavoro dei radiologi più efficienti.

I nuovi grandi modelli di linguaggio vengono esplorati per l’assistenza ai flussi di lavoro clinici. La voce ambientale viene utilizzata per migliorare l’utilizzo dei Registri Sanitari Elettronici (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’AI per stratificare i pazienti a rischio, identificando i pazienti che sono a rischio alto o in aumento e determinando il miglior corso di azione. In effetti, le capacità di rilevamento dei cluster dell’AI vengono utilizzate sempre più nella ricerca e nell’assistenza sanitaria per identificare i pazienti con caratteristiche simili e determinare il tipico corso di azione clinica per loro. Ciò può anche consentire trial clinici virtuali o simulati per determinare i corsi di trattamento più efficaci e misurare la loro efficacia.

Un caso d’uso futuro potrebbe essere l’utilizzo di modelli di linguaggio AI potenziati nella comunicazione medico-paziente. Questi modelli sono stati trovati per avere risposte valide per i pazienti che simulano conversazioni empatiche, rendendo più facile la gestione di interazioni difficili. Questa applicazione dell’AI può migliorare notevolmente l’assistenza ai pazienti fornendo una triage più rapida e più efficiente dei messaggi dei pazienti in base alla gravità della loro condizione e del messaggio.

Sfide e considerazioni etiche

Una sfida per l’implementazione dell’AI nel settore sanitario è assicurare la conformità normativa, la sicurezza dei pazienti e l’efficacia clinica quando si utilizzano strumenti AI. Mentre i trial clinici sono lo standard per i nuovi trattamenti, c’è un dibattito su se gli strumenti AI dovrebbero seguire la stessa approccio. Un’altra preoccupazione è il rischio di violazioni dei dati e della privacy dei pazienti compromessa. I grandi modelli di linguaggio addestrati su dati protetti possono potenzialmente perdere i dati di origine, il che rappresenta una minaccia significativa per la privacy dei pazienti. Le organizzazioni sanitarie devono trovare modi per proteggere i dati dei pazienti e prevenire le violazioni per mantenere la fiducia e la riservatezza. Il pregiudizio nei dati di addestramento è anche una sfida critica che deve essere affrontata. Per evitare modelli pregiudizievoli, devono essere introdotti metodi migliori per evitare il pregiudizio nei dati di addestramento. È cruciale sviluppare formazione e approcci accademici che consentano una migliore formazione dei modelli e incorporino l’equità in tutti gli aspetti della sanità per evitare il pregiudizio.

L’utilizzo dell’AI ha aperto una serie di nuove preoccupazioni e frontiere per l’innovazione. È necessario ulteriore studio per capire dove possa essere trovato il vero beneficio clinico nell’utilizzo dell’AI. Per affrontare queste sfide e preoccupazioni etiche, le organizzazioni di fornitori di assistenza sanitaria e le società di software devono concentrarsi sullo sviluppo di set di dati che modellino accuratamente i dati sanitari mentre assicurano l’anonimato e la protezione della privacy. Inoltre, devono essere stabilite partnership tra i fornitori di assistenza sanitaria, i sistemi e le società di tecnologia/software per portare gli strumenti AI nella pratica in modo sicuro e ponderato. Affrontando queste sfide, le organizzazioni sanitarie possono sfruttare il potenziale dell’AI mentre mantengono la sicurezza dei pazienti, la privacy e l’equità.