L’INTELLIGENZA ARTIFICIALE IN MEDICINA: È VERA GLORIA?

“Tutto cambia perché nulla cambi”? (Seconda Parte)

di Vincenzo Palmieri

Nella prima parte di questa rassegna sulla Intelligenza Artificiale abbiamo appreso che con questo termine (Artificial Intelligence, AI) si intende l’abilità di una macchina, ad esempio un computer, di mostrare capacità umane quali il ragionamento, l’apprendimento, la pianificazione e la creatività. Il computer riceve i dati (già preparati o raccolti tramite sensori), li processa e risponde.

Nel primo articolo abbiamo riflettuto su cosa si intende per AI, come è nata, quali ne sono le principali applicazioni e quali ne sono i possibili vantaggi e i potenziali rischi.

In conclusione di quella prima parte, si è detto che il cambiamento indotto da questa grande evoluzione tecnologica è già in atto e dobbiamo capirne le implicazioni, come è stato a suo tempo per la rivoluzione di Internet: nel caso della AI il fenomeno è fortemente pervasivo ed è destinato a cambiare molto della nostra vita. Ciò che conta è la consapevolezza che le macchine non hanno pensieri umani (il linguaggio ad esempio, è irriducibile a una funzione meccanica), sono un insieme di algoritmi che li riassumono e stabiliscono previsioni statistiche. Il problema principale è quello di rendere il più possibile trasparente (esplicabile o “accountable” come dicono gli inglesi) il loro processo di accumulo ed elaborazione.

   Numero di pubblicazioni scientifiche sulla AI in medicina dal 1951 al 2023: come scala di riferimento si ouò vedere che nel 2022 sono stati pubblicati 38780 articoli con la AI come tema di ricerca principale.

Queste considerazioni valgono anche per le applicazioni della AI in medicina?

L’intelligenza artificiale in Medicina

Se apriamo la più grande banca dati mondiale di articoli scientifici in medicina (PubMed) e cerchiamo gli articoli pubblicati con Artificial Intelligence come principale tema di indagine, vediamo che complessivamente sono stati pubblicati oltre 213.000 articoli (Figura 1), che nel solo anno 2022 sono stati pubblicati oltre 38.000 articoli, che l’interesse della comunità scientifica mondiale è cresciuto in modo esponenziale nel corso degli ultimi 30 anni ma anche che la tematica della AI ha suscitato interesse da tempo molto più remoto se solo consideriamo che il primo articolo censito nella banca dati risale già al 1951, cioè un anno dopo la pubblicazione della ricerca pioneristica di Turing sulla rivista Mind dal titolo “Computer Machinering and Intelligence”.

   Spettro dell’intelligenza artificiale (AI) in medicina. Il pannello A mostra aree selezionate della sanità pubblica e della medicina in cui l’intelligenza artificiale ha un ruolo consolidato ma in evoluzione. Questi strumenti sono già in grado di aiutare i professionisti medici a svolgere il proprio lavoro come partner nella pratica. EMR denota cartella clinica elettronica. Il pannello B mostra le aree di pratica medica in cui l’intelligenza artificiale ha iniziato ad avere influenza ma non ha ancora raggiunto lo stadio di uso comune. (immagine tratta da N Engl J Med 388;13 nejm.org March 30, 2023)

Il tema della AI pertanto non è affatto nuovo ma è indubbiamente emerso all’attenzione generale perché sembra pervadere ogni aspetto della nostra vita di ogni giorno.

Negli anni ’90 e nei primi anni 2000, anche con computer lenti e memoria limitata, il problema di avere macchine che eseguono con successo determinati compiti medici ripetitivi e quindi incline all’errore umano, era in fase di risoluzione. Attraverso un sostanziale investimento di denaro e impegno intellettuale, la lettura computerizzata di elettrocardiogrammi-ECG, la conta differenziale dei globuli bianchi, l’analisi di fotografie di lesioni retiniche e cutanee e altre attività di elaborazione delle immagini sono diventate una realtà ben definita.

Molti di questi compiti assistiti da queste cosiddette machine-learning (macchine che apprendono) sono stati ampiamente accettati e incorporati nella pratica quotidiana della medicina. L’esecuzione di questi compiti della macchina non è perfetto e spesso richiede una persona esperta a supervisionare il processo, ma in molti casi è sufficiente, data la necessità di un’interpretazione relativamente rapida delle immagini.

Tuttavia, l’uso dell’intelligenza artificiale e delle machine learning in medicina si è espanso oltre la lettura di immagini mediche.

I programmi di intelligenza artificiale e di apprendimento automatico sono entrati nella medicina in molti modi, ad esempio includendo queste applicazioni (Figura 2):

Nel campo della sanità pubblica:

• Identificazione di focolai di malattie infettive che possono avere un impatto sulla salute pubblica;

• Esecuzione del tracciamento di una infezione in caso di epidemia (come è avvenuto durante la pandemia di Covid-19)

• Tracciamento di casi nuovi e identificazione di possibili fattori locali che condizionano l’evoluzione di una infezione

Nel campo della diagnosi delle malattie:

• Analisi delle immagini diagnostiche sotto qualunque forma esse siano prodotte e con qualunque tipo di strumentazione (ecografia, radiorafia, TAC, Risonanza, PER, SPECT, ecc.)

• Identificazione di malattie rare e comuni che potrebbero altrimenti sfuggire alla diagnosi combinando clinica, genetica e molti altri risultati di laboratorio

• Utilizzazione dei cosiddetti EMR (Electronic Medical Record) e PHR (Patient Health Records), cioè di dati clinici in formato elettronico per veicolare e gestire le informazioni relative alla storia clinica del paziente

Nel campo della ricerca clinica:

• Elaborazione degli studi clinici (cosiddetti trial clinici) in rapporto ai quesiti terapeutici

• Identificazione, Reclutamento, e mantenimento dei pazienti nei trial clinici monitorando con precisione possibili effetti collaterali dei trattamenti sperimentati e gli outcome attesi

   

  

   Miglioramenti in oltre 50 anni nella capacità dei computer di archiviare ed elaborare dati. Il pannello superiore mostra i progressi nell’archiviazione dei dati, sia in termini di dimensioni fisiche che di costo per unità di archiviazione. Il grafico inferiore mostra i progressi nella velocità di calcolo. Ogni punto rappresenta un singolo tipo di macchina e l’anno approssimativo della sua introduzione. Questi miglioramenti nell’archiviazione e nella velocità hanno permesso al machine learning di progredire dal sogno alla realtà. (fonte: NEJM vol. 388, 13, March 30, 2023).

Nel campo della gestione di attività sanitarie complesse:

• Allestimento di agende elettroniche per la gestione delle liste di attesa degli esami (tema molto attuale in queste settimane!)

• Gestione delle spese e delle risorse umane e materiali (in modo non dissimile a quanto avviene nel mondo industriale)

• Follow up dei pazienti per assicurarne la continuità assistenziale fra ospedale, territorio (distretti, medici di famiglia, residenze sanitarie e socio-assistenziali, case della salute e altre forme di assistenza territoriale) e famiglie stesse.

Applicazioni tuttora non supportate da evidenza scientifica riguardano in particolare il rapporto con il paziente, con riferimento alla raccolta dell’anamnesi con registrazione simultanea su appositi EMR, cioè cartelle cliniche elettroniche, lo svolgimento di un ruolo di formatore e di insegnante nel campo dell’educazione sanitaria attraverso l’impiego di appositi dispositivi elettronici o “app” estremamente interattive con il paziente o suoi eventuali care manager.

Ecografia ed Intelligenza Artificiale

Poiché uso correntemente l’ecografia nella pratica clinica di ogni giorno, faccio un riferimento più preciso a questo tipo di applicazione nel campo della medicina.

L’ecografia in effetti fornisce dati ideali per questi approcci tecnologici innovativi grazie alla sua diffusa disponibilità, anche in contesti preospedalieri con risorse limitate. In effetti esistono diversi ambiti di ricerca in questo settore di particolare interesse finalizzati ad implementare algoritmi di apprendimento automatico per rispondere a quesiti clinici elementari ma di assoluta importanza clinica, quali ad esempio la analisi della funzione sistolica cardiaca ventricolare sinistra e destra, la presenza di versamento pericardico, il riconoscimento di liquido addominale, la risposta alla terapia diuretica in termini di riduzione della ritenzione fluida, la presenza di alterazioni polmonari predittive di una grave polmonite (elemento di grande interesse durante la pandemia da Covid 19).

Un altro settore di grande interesse è quello della formazione in campo ecografico: diversi modelli algoritmici possono essere utilizzati per migliorare la capacità dei medici di ottenere scansioni ecografiche corrette per la diagnosi di alterazioni di struttura e funzioni di diversi organi. Tali modelli, che implicano l’analisi di un gran numero di immagini ecografiche ottenibili da apposite banche dati, hanno consentito ad esempio, che giovani medici riuscissero ad ottenere dopo un breve training formativo un set di immagini ecocardiografiche simili in qualità a quelle di cardiologi esperti in ecocardiografia.

Il training ecografico automatizzato con immediato e diretto feedback agli studenti è stato dimostrato riduce molto la curva di apprendimento e rappresenta pertanto un potenziale passo avanti nello sviluppo di nuovi modelli di formazione per l’ecografia e una maggiore riproducibilità interoperatore dei risultati.

Considerazioni conclusive

Le applicazioni della AI in medicina sono una grande opportunità per il singolo paziente, le famiglie e la società nel suo complesso. È importante però riflettere su alcuni punti cruciali, di carattere etico e di carattere strettamente clinico affinché la AI non sia confusa con la vera medicina, che deve risolvere i problemi di salute del paziente, migliorare le condizioni di salute della popolazione e più in generale migliorare lo stato di salute della popolazione.

Come notato sopra, l’uso dell’intelligenza artificiale e delle macchine learning è già accettato ad esempio nell’interpretazione di ECG, radiografie semplici, scansioni tomografiche computerizzate (TC) e risonanza magnetica (MRI), ed altre ancora. Per queste applicazioni, l’AI e le machine learning hanno dimostrato di essere d’aiuto segnalando aspetti di immagini che si discostano dalla norma.

Ciò suggerisce una domanda chiave: qual è la norma? Questa semplice domanda mostra una delle debolezze dell’uso dell’intelligenza artificiale in medicina così come è ampiamente applicato oggi. Come possono eventuali errori (tecnicamente definiti “bias”) nel modo in cui la macchina ha appreso un algoritmo influenzare il modo in cui essa funziona quando applicata nel mondo reale?

Come inseriamo i nostri valori umani negli algoritmi di intelligenza artificiale e apprendimento automatico in modo che i risultati ottenuti riflettano i problemi reali affrontati dai professionisti della sanità? Come dovrebbero essere modificati, se non del tutto, gli approcci classici all’inferenza statistica per gli interventi che si basano sull’intelligenza artificiale e sull’apprendimento automatico?

Questi sono alcuni dei problemi che dovremo affrontare, ma la bellezza della scienza e della medicina è che i problemi non vengono nascosti ma identificati, elaborati, classificati in ordine di priorità, confrontati con i dati reali, soggetti a verifica e confutazione e possibilmente risolti. E questo è il metodo scientifico che nessun algoritmo potrà mai modificare. E il metodo scientifico è la migliore garanzia non solo di progresso ed evoluzione ma anche di sicurezza per il paziente e per la Società nel suo complesso.

   Numero di sistemi di machine-learning rilasciati per settore (Fonte: HAI Stanford University, 2023 Report)

*Citazione da Il Gattopardo di Tomasi di Lampedusa, modificata in forma interrogativa