Sbloccare Nuove Possibilità nel Settore Sanitario con l’Intelligenza Artificiale

Il settore sanitario negli Stati Uniti è alle 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 recenti avanzamenti, sembra pronto per cambiamenti più rapidi. Molto lavoro rimane da fare per comprendere le applicazioni più sicure e efficaci dell’IA nel settore sanitario, per costruire la fiducia tra i clinici nell’utilizzo dell’IA e per adattare il nostro sistema di educazione clinica per guidare un miglior utilizzo dei sistemi basati sull’IA.

Applicazioni dell’IA nel Settore Sanitario

L’IA 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 condotti sull’utilizzo di modelli di apprendimento profondo e visione artificiale.

Prima di tutto, alcune definizioni. Gli approcci statistici tradizionali nella ricerca – ad esempio gli studi osservazionali e i trial clinici – hanno utilizzato modelli di regressione che si basano su variabili indipendenti per prevedere gli esiti. In questi approcci, anche se più dati sono meglio, c’è un effetto di plateau in cui oltre una certa dimensione del set di dati, non si possono ottenere migliori inferenze dai dati.

L’Intelligenza Artificiale introduce 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 che passa attraverso la rete – chiamata rete neurale – modifica le equazioni in ogni livello della rete in modo che l’output previsto corrisponda all’output reale. Man mano che i dati nel set di addestramento vengono elaborati, la rete neurale apprende 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 efficaci nell’apprendere dalle immagini in un processo chiamato visione artificiale e hanno trovato applicazioni dove i dati di immagine 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, nel prevedere il testo successivo. Un’applicazione dell’architettura transformer è il Modello di Linguaggio Grande o LLM. Molti esempi commerciali di LLM includono Chat GPT, Anthropics Claude e Metas Llama 3.

Quello 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 dati, le reti neurali continuano ad apprendere e migliorare. I principali limiti della 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 che proteggono la privacy e rappresentano fedelmente la vera cura clinica è una priorità chiave per avanzare lo sviluppo dei modelli.

LLM possono rappresentare un cambiamento di paradigma nell’applicazione dell’IA per il settore sanitario. 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 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 stanno analizzando (sono stati chiamati autocomplete sofisticati), e 2) possono hallucinare o confabulare, creando testo o immagini che appaiono accurate ma creano informazioni presentate come fatto.

I casi d’uso che vengono esplorati per l’IA includono l’automazione e il potenziamento per la lettura di immagini di radiologia, esami della retina e altri dati di immagine; la riduzione dello sforzo e il miglioramento dell’accuratezza della documentazione clinica, una grande fonte 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’IA è stata introdotta in modo incrementale nella cura clinica in generale. Di solito, l’utilizzo di successo dell’IA 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’IA si esegue bene ci sono stati l’IA che rileva la malattia negli esami della retina e la radiologia. Per gli esami della retina, la letteratura pubblicata sulle prestazioni di questi modelli è stata seguita dalla distribuzione di 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 modelli di linguaggio più grandi stanno venendo esplorati per assistenza con i flussi di lavoro clinici. La voce ambientale viene utilizzata per migliorare l’utilizzo dei Registri Sanitari Elettronici (EHR). Attualmente, gli scribi dell’IA vengono implementati per aiutare nella documentazione medica. Ciò consente ai medici di concentrarsi sui pazienti mentre l’IA 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 i pazienti a rischio, identificando i pazienti che sono a rischio o che aumentano il rischio e determinando il miglior corso d’azione. In effetti, le capacità di rilevamento del cluster dell’IA stanno venendo utilizzate sempre più nella ricerca e nella cura clinica per identificare i pazienti con caratteristiche simili e determinare il corso di azione clinica tipico 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 dell’IA potenziati nel dialogo medico-paziente. Questi modelli sono stati trovati per avere risposte valide per i pazienti che simulano conversazioni empatiche, rendendo più facile la gestione delle interazioni difficili. Questa applicazione dell’IA può migliorare notevolmente la cura dei pazienti fornendo una triage più rapida e efficiente dei messaggi dei pazienti in base alla gravità della loro condizione e del messaggio.

Sfide e Considerazioni Etiche

Una sfida nell’implementazione dell’IA nel settore sanitario è garantire la conformità normativa, la sicurezza dei pazienti e l’efficacia clinica quando si utilizzano strumenti dell’IA. Mentre i trial clinici sono lo standard per i nuovi trattamenti, c’è un dibattito su se gli strumenti dell’IA dovrebbero seguire lo stesso approccio. Un’altra preoccupazione è il rischio di violazioni dei dati e della privacy dei pazienti. I grandi modelli di linguaggio addestrati su dati protetti possono potenzialmente rivelare 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 migliori metodi per evitare il pregiudizio nei dati di addestramento. È cruciale sviluppare approcci di formazione e accademici che consentano un miglior addestramento dei modelli e incorporino l’equità in tutti gli aspetti del settore sanitario per evitare il pregiudizio.

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