L’apprendimento automatico e l’intelligenza artificiale svolgono ruoli sempre più importanti nell’assistenza sanitaria. Un medico ha scritto su Sermo che queste tecnologie hanno “grandi potenzialità ma [sono] un po’ inquietanti.”
Molti medici concordano con questo sentimento. Sebbene l’apprendimento automatico abbia favorito notevoli progressi clinici e istituzionali, il modo in cui continuerà a trasformare la medicina rimane in gran parte incerto.
Tuttavia, quando Sermo ha chiesto a medici negli Stati Uniti quale sarebbe stato il ruolo dell’IA e dell’apprendimento automatico nella diagnostica nei prossimi cinque anni, la maggioranza (57%) ha risposto che sarebbe diventato un elemento di routine in molte specializzazioni.
Consideriamo l’attuale panorama dell’apprendimento automatico in ambito sanitario, compreso cosa sia realmente l’apprendimento automatico e come i leader sanitari vi stiano rispondendo.
Che cos’è l’apprendimento automatico in ambito sanitario?
L’obiettivo dei sistemi di apprendimento automatico è apprendere dai dati e formulare previsioni accurate, senza una programmazione esplicita. I modelli di apprendimento automatico si suddividono in quattro ampie categorie: apprendimento supervisionato, non supervisionato, per rinforzo e semi-supervisionato.
Ecco come ciascun modello si applica alla medicina:
Apprendimento automatico supervisionato
I modelli supervisionati si addestrano su dati etichettati, in cui a ciascun input corrisponde un output noto. Durante l’addestramento, questi sistemi regolano automaticamente i parametri interni per ridurre al minimo le discrepanze tra le previsioni e i risultati effettivi. Questo crea una funzione che associa in modo affidabile nuovi input a previsioni accurate sulla base delle relazioni apprese.
Ad esempio, i clinici possono addestrare un modello di apprendimento automatico supervisionato su migliaia di immagini di mammografie etichettate per rilevare il tumore al seno. Il modello apprende poi a riconoscere segnali poco evidenti associati a forme maligne confrontando le proprie previsioni con le diagnosi confermate dai radiologi.
La costruzione di un modello supervisionato prevede i seguenti passaggi, che in linea generale coincidono con quelli di altre categorie di modelli:
- Definire la domanda su cui si basa la ricerca.
- Raccogliere i dati pertinenti.
- Pre-elaborare e suddividere i dati in set a scopo di addestramento e a scopo di verifica.
- Addestrare il modello utilizzando l’algoritmo sui dati a scopo di addestramento.
- Valutare le prestazioni del modello utilizzando i dati a scopo di verifica.
Apprendimento automatico non supervisionato
I sistemi non supervisionati elaborano dati non etichettati per identificare schemi o raggruppamenti naturali. Esaminano la struttura dei dati per rilevare somiglianze, differenze o relazioni, organizzando le informazioni senza etichette predefinite. Ad esempio, un modello non supervisionato potrebbe raggruppare cartelle cliniche anonimizzate di pazienti per individuare sottogruppi nascosti con sintomi comuni.
Apprendimento per rinforzo
L’apprendimento per rinforzo addestra un sistema (agente) a prendere decisioni attraverso l’interazione con l’ambiente. L’agente compie azioni per raggiungere obiettivi, ricevendo ricompense o penalità in base a metriche predefinite. Attraverso tentativi, errori e feedback, affina in modo iterativo le proprie strategie per massimizzare le ricompense cumulative, scartando i comportamenti inefficaci e rafforzando quelli ottimali.
Apprendimento semi-supervisionato
L’apprendimento supervisionato, non supervisionato e per rinforzo sono i tre principali modelli di apprendimento automatico. I modelli di apprendimento semi-supervisionato sono una forma meno comune e specialistica.
I modelli di apprendimento semi-supervisionato contengono componenti di apprendimento supervisionato e non supervisionato. Gli analisti di dati digitali addestrano questi modelli su un set di dati etichettato più piccolo (apprendimento supervisionato) rispetto a un set di dati non etichettato più ampio (apprendimento non supervisionato): i dati etichettati guidano l’apprendimento del modello. È particolarmente vantaggioso nelle situazioni in cui i dati etichettati sono limitati e i dati non etichettati sono facilmente disponibili.
Apprendimento automatico, intelligenza artificiale e apprendimento profondo
Spesso si utilizzano intelligenza artificiale (IA) e apprendimento automatico (AA) in ambito sanitario come sinonimi. Alcuni utilizzano anche l’espressione ‘apprendimento profondo’ per riferirsi all’IA e all’AA. Tuttavia, l’apprendimento profondo è una sottocategoria dell’apprendimento automatico, mentre l’apprendimento automatico è una sottocategoria dell’intelligenza artificiale.
L’intelligenza artificiale si riferisce all’ampio ambito di sistemi che approssimano l’intelligenza umana, sia attraverso regole pre-programmate sia tramite tecniche di apprendimento adattivo. L’apprendimento automatico si basa esclusivamente su algoritmi guidati dai dati senza una programmazione esplicita.
I modelli di apprendimento profondo utilizzano reti neurali artificiali con più strati (profondi) per estrarre automaticamente rappresentazioni gerarchiche dai dati. Questo consente ai modelli di elaborare dati non strutturati in modo rapido e accurato.
Tutto l’apprendimento automatico contribuisce all’intelligenza artificiale, ma non tutti i sistemi di intelligenza artificiale utilizzano l’apprendimento automatico: alcuni utilizzano il ragionamento basato su regole o su simboli. Lo stesso vale per la relazione tra apprendimento automatico e apprendimento profondo. Tutti i sistemi di apprendimento profondo contribuiscono ai modelli di apprendimento automatico, ma non vale il contrario.
I leader del settore riconoscono i vantaggi dell’apprendimento automatico in ambito sanitario?
Sermo ha intervistato oltre 100 decisori medico-sanitari negli Stati Uniti. La maggior parte riconosce i vantaggi a medio e lungo termine dell’apprendimento automatico. Mentre il 91% concorda sul fatto che l’apprendimento automatico sarà fondamentale entro cinque anni, solo il 33% prevede vantaggi a breve termine.
Per quanto riguarda gli attuali trend generali di adozione, il 45% dei dirigenti segue attivamente le tendenze del settore dell’apprendimento automatico, mentre solo il 25% ha adottato questi sistemi. Gran parte dello stesso gruppo di coloro che non li hanno adottati (21%) riconosce di aver perso opportunità di progresso per la struttura per cui lavorano.
3 principali applicazioni dell’apprendimento automatico in ambito sanitario
La diagnosi basata su imaging medico, la medicina personalizzata e l’automatizzazione amministrativa sono tre applicazioni da segnalare. Ecco come funzionano, con esempi di apprendimento automatico in ambito sanitario e il loro utilizzo.
1. Diagnosi basata su imaging medico
I modelli di apprendimento profondo in ambito sanitario analizzano le immagini per rilevare patologie. In particolare, questi modelli presentano applicazioni valide in ambito dermatologico, neurologico e oncologico, oltre che in altre specializzazioni. I modelli di apprendimento automatico potrebbero persino eguagliare le prestazioni diagnostiche degli specialisti.
Sviluppando questa idea, un membro di Sermo ha osservato: “L’intelligenza artificiale e l’apprendimento automatico permettono a gemelli digitali di apprendere da grandi set di dati, perfezionare le previsioni e fornire raccomandazioni. Ad esempio, gli algoritmi di apprendimento automatico possono analizzare l’eterogeneità tumorale e prevedere la resistenza alle terapie… Con l’avanzare della tecnologia e l’appianamento degli ostacoli, i gemelli digitali diventeranno probabilmente parte integrante della pratica oncologica moderna.”
Tuttavia, alcuni medici sono scettici. Secondo un sondaggio tra i membri di Sermo effettuato tra medici negli Stati Uniti, il 71% dei medici afferma che il rischio di errore diagnostico dovuto a un’eccessiva dipendenza dall’intelligenza artificiale rappresenta la principale limitazione di queste tecnologie.
2. Medicina personalizzata
L’apprendimento automatico è centrale per il progresso della medicina personalizzata. L’espansione della medicina di precisione ha seguito la crescente sofisticazione dei modelli di apprendimento automatico.
Uno stomatologo membro di Sermo ha parlato di un aspetto del ruolo dell’apprendimento automatico nella medicina personalizzata, affermando: “Questa tendenza, iniziata anni fa, è stata rafforzata dal fatto che ci si aspetta che entro il 2025 i sistemi di intelligenza artificiale siano in grado di rispondere in modo autonomo a domande specifiche dei pazienti, soprattutto dopo la crisi sanitaria. In questo modo, la salute può evolvere verso una gestione completamente personalizzata.”
3. Automatizzazione dei flussi di lavoro amministrativi
Come in altre categorie ombrello, l’apprendimento automatico offre diversi casi d’uso nell’amministrazione clinica: automatizzazione della fatturazione, gestione delle richieste di rimborso, programmazione degli appuntamenti e gestione delle cartelle cliniche, solo per citarne alcuni. Questi casi d’uso generano risparmi sui costi, riducono gli errori umani, riducono al minimo l’intensità del lavoro manuale e semplificano le operazioni.
Un medico ha pubblicato un post su Sermo, spiegando: “[L’apprendimento automatico] sta certamente guadagnando slancio in ambito sanitario, dove viene utilizzato per la ricerca non solo al fine di fare nuove scoperte, ma anche per contribuire al reclutamento e all’arruolamento dei partecipanti agli studi clinici; per consentire agli studi medici di automatizzare compiti amministrativi e operativi, formulare previsioni, supportare l’assistenza e la diagnosi dei pazienti, offrire modalità di trattamento personalizzati e altro ancora.”
Problematiche dell’apprendimento automatico in ambito sanitario
L’eterogeneità dei dati e l’adozione clinica sono due delle principali difficoltà che il settore sanitario deve affrontare. Entrambe contribuiscono al posticipo dell’adozione di sistemi di apprendimento automatico da parte delle varie strutture.
Eterogeneità, quantità e qualità dei dati
Gli algoritmi di apprendimento automatico si basano su gruppi di dati ampi, di alta qualità e standardizzati. I dati eterogenei, distorti o incompleti compromettono le previsioni dell’apprendimento automatico. Le cause di questo problema includono:
- Variazioni nei sistemi di cartelle cliniche elettroniche e negli standard di documentazione
- Meccanismi di dati mancanti
- La priorità data dagli operatori sanitari all’erogazione delle cure rispetto alla standardizzazione dei dati
- Patologie etichettate in modo errato o classificate erroneamente, disturbi che comprendono molteplici endotipi sottostanti
A conferma di ciò, un medico ha postato su Sermo: “L’apprendimento automatico potrebbe contribuire a individuare le persone a rischio di esiti avversi in seguito alla prescrizione di oppioidi, secondo una nuova ricerca. I ricercatori dell’Università di Alberta in Canada hanno iniziato a utilizzare una forma di intelligenza artificiale per stimare il rischio di un paziente di accesso al pronto soccorso, ricovero o decesso entro 30 giorni dalla dispensazione di oppioidi… Come per tutta l’IA, un maggior numero di dati inseriti, rappresentativi di popolazioni specifiche, e un regolare riaddestramento migliorano nel tempo le prestazioni predittive, portando a una gestione più efficace degli oppioidi.”
Adozione clinica
Le strutture sanitarie citano il rischio di errori predittivi, la privacy, la sicurezza, la non interpretabilità e la complessità come principali preoccupazioni per l’adozione. Alcuni medici condividono sentimenti simili. Secondo un sondaggio tra medici membri di Sermo residenti negli Stati Uniti, circa il 40% degli intervistati ha dichiarato che un’integrazione inadeguata rappresentava un fattore di rischio nell’utilizzo dell’IA nella medicina diagnostica.
Un neurologo statunitense ha osservato: “Molte persone che hanno provato ChatGPT, ad esempio, hanno riscontrato che tende a ‘allucinare’ o semplicemente a inventare risposte quando non è sicuro… Non credo che sia utile che l’IA ‘allucini’ risposte in caso di incertezza nell’ambito di applicazioni mediche. Inoltre, chi è responsabile quando l’IA commette un errore?”
Un altro membro di Sermo, un geriatra, ha aggiunto: “… è importante assicurarsi che venga utilizzata in modo etico e responsabile, e che la privacy e la sicurezza dei dati dei pazienti siano prese in considerazione.”
Scopri come altri medici utilizzano l’apprendimento automatico
Un sondaggio di Sermo condotto su oltre 100 medici ha indicato che il 60% si affida ai grandi modelli linguistici (LLM), una sottocategoria dell’apprendimento profondo, per verificare le interazioni farmacologiche. Oltre la metà utilizza questi strumenti per il supporto diagnostico e quasi la metà li impiega per la stesura della documentazione clinica o dei piani terapeutici. Di fatto, il 70% utilizza gli LLM per la formazione dei pazienti e la ricerca in letteratura.
La dottoressa Sara Farag, specialista in chirurgia ginecologica e membro del comitato consultivo medico di Sermo, ha osservato: “Questi risultati non sorprendono. Con l’aumento dei carichi di lavoro e l’espansione dei volumi di informazioni, gli LLM si dimostrano sempre più preziosi per i medici.”
Su Sermo, i medici esprimono le loro opinioni sull’intelligenza artificiale, l’apprendimento automatico e altre tecnologie di rilievo. Partecipa alla conversazione Iscriviti a Sermo oggi stesso.
