<img height="1" width="1" style="display:none" src="https://www.facebook.com/tr?id=1267344923293614&amp;ev=PageView&amp;noscript=1">

Blog

Intelligenza artificiale: esempi di applicazione per l'Healthcare

Roberto Pasciuti

Roberto Pasciuti, 24 giugno 2021 | Intelligenza Artificiale

La tecnologia informatica è entrata nel mondo della sanità ormai da anni. Il binomio “tecnologia informatica-sanità” è però molto più forte di quanto si potrebbe immaginare. Questo è ciò che emerge dal report World's Best Smart Hospitals 2021, recentemente pubblicato da Newsweek. E se telemedicina e chirurgia robotica sono due dei campi nei quali più si sta investendo, ce n’è un terzo che sta acquisendo un ruolo sempre più importante.

Il Machine Learning e altre forme di Intelligenza Artificiale stanno iniziando ad aprire orizzonti completamente nuovi nell’assistenza. «I medici – si legge nel report – non possono passare le loro giornate a guardare il flusso di dati generato dai dispositivi collegati ai pazienti, né possono interrompere la loro attività per concentrarsi sulla minima anomalia o “singhiozzo” che si presenti nell’enorme flusso di dati di un’ampia popolazione di pazienti».

Un algoritmo di Machine Learning però può fare tutto questo per loro, filtrando il rumore e i falsi allarmi, mentre incanala riepiloghi utili e avvisi critici ai medici appropriati.

Come vedremo nel seguente esempio, l’Intelligenza Artificiale e il Machine Learning svolgeranno presto un ruolo centrale anche nella diagnosi e nel processo decisionale clinico.

Il progetto Lethe

Lethe, progetto finanziato all’interno del Programma Quadro Europeo di Ricerca e Innovazione Horizon 2020, di cui Extra Red è uno dei 9 partner tecnologici, ambisce proprio a raggiungere questo risultato: utilizzare Intelligenza Artificiale e Machine Learning per la realizzazione di un modello personalizzato di previsione e intervento per la diagnosi precoce e la riduzione dei fattori di rischio che causano la demenza cognitiva.

L’obiettivo principale del progetto Lethe è di prevenire l’intero spettro del declino cognitivo della popolazione anziana a rischio, dallo stato asintomatico al deterioramento cognitivo soggettivo o medio fino all’Alzheimer prodromico. Per poter raggiungere questo obiettivo, la capacità di diagnosticare precocemente l’insorgenza della malattia, identificando i principali fattori di rischio, è “conditio sine qua non”.

L’idea di base è quella di esaminare i dati precedentemente raccolti da ospedali e istituti, alla ricerca dei biomarker più significativi sulla base dei quali sviluppare modelli inediti di predizione di rischio (Prediction Model).

Una volta pronti i modelli di predizione del rischio, sarà possibile valutare il rischio di degenerazione cognitiva di una persona. Se necessario, si potrà intervenire tramite un sistema in grado di simulare i cambiamenti più efficaci sul suo stile di vita, per arrivare a suggerire un percorso a breve e lungo termine (Personal Intervention Pathway) per ritardare o, nella migliore delle ipotesi, scongiurare l’insorgenza della malattia.

Un esempio di Intelligenza Artificiale in action: sviluppare il Prediction Model

Il punto di partenza è l’analisi dei dati.

Si tratta di esaminare i dati in possesso di cinque differenti strutture, tra ospedali e istituti di assistenza o ricerca, per un totale di circa 115.000 persone. I dati raccolti vanno da semplici questionari/esami a 2 anni di monitoraggio e studio e fino a 11 anni di follow-up!

Non solo la quantità di dati risultante è impressionante, ma alcuni di essi sono non strutturati (testo libero, immagini, etc.). In ultimo, i dati dei cinque datasource sono non omogenei.

Se l’analisi di una simile quantità di dati retrospettivi costituisce un’impresa insormontabile per le capacità di un essere umano, non lo è altrettanto per le tecniche messe a disposizione dall’Intelligenza Artificiale che, al contrario, beneficiano maggiormente proprio della quantità di dati a disposizione.

L’approccio studiato nel progetto Lethe per la realizzazione dei modelli predittivi si compone di due fasi:

La prima prevede l’integrazione e l’armonizzazione dei dati presenti nei 5 dataset che, provenendo da differenti sorgenti, saranno di formato differente, multivariati e multimodali, caratterizzati da interferenze e incompletezza. Il processo di armonizzazione sarà di tipo Extract-Transform-Load (ETL), e consentirà di ripulire i dati (cleansing), verificarne la qualità, definire i master e mappare i dataset. Un aspetto chiave del Machine Learning è infatti la capacità di estrarre le feature significative dai dati esaminati, che però devono essere affidabili.

In aggiunta, poiché non solo le etichette delle singole variabili ma anche il loro tipo e la scala dei valori potranno differire tra i differenti dataset, il mappaggio semantico verrà eseguito tramite Natural Language Processing (NLP), un metodo basato sulle Reti Neurali (Deep Neural Network). L’NLP verrà utilizzato anche per estrarre informazioni strutturate dai testi disponibili in formato digitale (registrazioni ospedaliere, diagnosi cliniche, indicazioni mediche, etc.).

Nella seconda fase si applicherà l’Intelligenza Artificiale per lo sviluppo di modelli di predizione dei fattori di rischio. Verranno sperimentati differenti approcci e modelli: Autoregression (un modello time-series); Recurrent Neural Networks; modelli Attention-based; Temporal Convolutional Networks.

L’applicazione estensiva dell’Intelligenza Artificiale avrà un duplice risultato: la creazione di modelli predittivi per il livello di rischio di degenerazione cognitiva del soggetto esaminato e l’individuazione dei biomarker digitali che più efficacemente sono indicatori di quel rischio.

Grazie ai modelli di predizione, risulterà possibile realizzare un sistema in grado di determinare il livello di rischio di una persona; grazie ai biomarker digitali, sarà possibile simulare le variazioni nello stile di vita tali da ridurre il rischio di insorgenza della malattia, o rallentarne il decorso, se fosse già in atto.

Step forward: Personal Intervention Pathway

A questo risultato, già di per sé eccezionale, il progetto Lethe aggiunge un ulteriore, importantissimo tassello.

Nella seconda fase del progetto partirà un pilot della durata di due anni che eseguirà il monitoraggio di un gruppo di pazienti selezionati, grazie all’utilizzo di dispositivi mIoT (medical Internet of Things), indossabili o meno, App, Social Robot.

Partendo dai modelli sviluppati dall’analisi dei dati retrospettivi, sulla base dei dati raccolti durante i due anni di real time data streaming del pilot, l’Intelligenza Artificiale entrerà di nuovo in gioco per sviluppare un set completamente nuovo di modelli di predizione e controllo, con un duplice scopo: validare e migliorare i modelli predittivi già sviluppati; identificare in tempo reale variazioni del livello di rischio del paziente monitorato, ma non solo.

Il sistema infatti, in quest’ultimo caso, sarà anche in grado di suggerire autonomamente le azioni da intraprendere, eventualmente validate, a seconda del livello, dal personale medico notificato nel frattempo. Un’assistenza attiva, personalizzata, H24, per la cura e la sicurezza della persona.

Scopri i casi di successo delle aziende che hanno già sfruttato l'AI!

Accedi al webinar on demand dedicato alle nuove sfide dell'IT post-pandemia e scopri i casi di successo di aziende che sono già ripartite grazie a tecnologie come l'Artificial Intelligence. Ti basta un clic sul pulsante qui sotto!

New call-to-action

Lascia un commento