Healthcare

Progressi nell’impiego dell’AI nell’assistenza sanitaria

Dall’esame degli elettrocardiogrammi allo screening per il tumore del colon retto, fino alla prevenzione delle ulcere da decubito: ecco alcuni esempi provenienti da varie parti del mondo di applicazione dell’AI all’assistenza sanitaria

Pubblicato il 26 Set 2022

Luigi Mischitelli

Legal & Data Protection Specialist - Fondazione IRCCS Casa Sollievo della Sofferenza.

AI radiologia

Con la prosecuzione del periodo post-pandemico, l’intelligenza artificiale continua la sua avanzata nel mondo dell’assistenza sanitaria (healthcare), confermandosi – in maniera incontrovertibile – un ausilio fondamentale nel contrasto ai disturbi e alle malattie che affliggono l’essere umano. Vediamo insieme alcuni dei più recenti studi in materia di AI nella sanità effettuati in varie parti del mondo.

L’AI sembra possa rappresentare la grande promessa per realizzare un’assistenza sanitaria di facile accesso per tutti migliorando in maniera molto efficiente: prevenzione e diagnosi (come vedremo anche negli esempi) i trattamenti medico-sanitari e le risorse tecniche.

Proprio per gli stessi motivi l’AI è stata al centro di accesi dibattiti in merito all’etica e ai rischi che possono riguardare l’uso dell’Intelligenza Artificiale in ambito medico. In merito lo studio Artificial Intelligence in Health Care voluto dal Parlamento Europeo e pubblicato pochi mesi fa, esamina questi aspetti.

L’Intelligenza artificiale per diagnosticare disturbi cardiaci

Alcuni ricercatori della Yale School of Medicine (Stati Uniti) hanno sviluppato[1] un modello di intelligenza artificiale che può aiutare a diagnosticare i disturbi correlati al ritmo cardiaco e al sistema di conduzione del cuore, partendo dall’analisi delle immagini prodotte dagli elettrocardiogrammi (ECG).

L’apprendimento automatico (Machine learning) è diventato prominente nel campo healthcare, con sempre più aziende di questo settore che utilizzano tale tecnologia al fine di migliorare le diagnosi da parte dei professionisti sanitari. Applicare il Machine learning agli ECG può aumentare la probabilità, da parte dei medici, di individuare “modelli” che, spesso, non vengono riconosciuti.

Il modello basato sull’intelligenza artificiale, creato dai ricercatori di Yale, si basa sui dati di oltre due milioni di ECG appartenenti a circa un milione e mezzo di pazienti. Il modello varato nella prestigiosa università americana è stato in grado di diagnosticare che un paziente su sei, tra quelli coinvolti, soffriva di un qualche disturbo del ritmo cardiaco; il tutto partendo da immagini prodotte dagli ECG e da un dataset di pazienti provenienti da varie parti del mondo.

Per i ricercatori di Yale, l’uso della tecnologia basata sull’utilizzo dell’AI nell’assistenza sanitaria presenta diverse sfide. Gli attuali strumenti che utilizzano tale tecnologia si basano su segnali elettrocardiografici “grezzi” invece che su immagini memorizzate nel dispositivo; si pensi che tale formato è molto più “comune”, in quanto le risultanze di un ECG sono spesso stampate e scansionate come immagini.

Inoltre, la progettazione di diversi strumenti diagnostici basati sull’intelligenza artificiale è destinata a singoli disturbi clinici e, quindi, può avere un’utilità limitata in un ambiente clinico dove più anomalie rilevate dall’elettrocardiogramma possono “concorrere” tra loro.

L’approccio di Yale all’AI è molto avanzato e può monitorare contemporaneamente diverse diagnosi cliniche, simile a quello che farebbe un medico “in carne e ossa”. Negli ultimi anni, la tecnologia basata sull’AI è stata utilizzata per prevedere, monitorare e trattare diverse condizioni di salute, per cui non è difficile pensare alla vastità di applicazioni dell’AI nell’assistenza sanitaria.[2]

L'Intelligenza Artificiale trova sempre più impieghi nell'assistenza sanitaria

AI : screening del cancro colorettale

Proprio “pensando” ad altri settori del campo medico – e passando dall’apparato cardiocircolatorio all’apparato digerente –, un’altra applicazione dell’AI nell’assistenza sanitaria si trova in un recente studio[3] condotto dal gruppo ospedaliero statunitense Geisinger e dalla software house israeliana Medial EarlySign, che ha implementato un algoritmo di Machine learning in grado di fornire ai pazienti ad alto rischio che hanno saltato una colonscopia informazioni sul tipo di trattamento medico necessario per il loro caso.

Lo studio ha visto la partecipazione di più di venticinquemila pazienti, giudicati dalla Geisinger come “in ritardo” all’appuntamento per il loro consueto screening del cancro colorettale (CRC).

I ricercatori hanno utilizzato, su tali partecipanti allo studio, il già citato algoritmo di Machine learning per determinare quali pazienti fossero a rischio di sviluppare il cancro dopo il mancato controllo e quali no. L’algoritmo ha analizzato vari fattori come l’età, il sesso e l’aver effettuato un emocromo completo di recente. Sulla base delle analisi, gli infermieri incaricati della Geisinger hanno contattato i pazienti ad alto rischio per programmare una colonscopia: in definitiva, sono state programmate colonscopie per circa il 68 percento dei pazienti considerati ad alto rischio.

Per i ricercatori, il Machine learning è risultato essere un supplemento a basso costo e non invasivo applicato allo screening del cancro colorettale; siamo dinanzi a una tecnologia che può agire come una “rete di sicurezza”, potenzialmente idonea a impedire che una mancata o ritardata diagnosi possa portare alcuni pazienti – che potrebbero già avere segni non diagnosticati della malattia – a svilupparla successivamente.

Rimanendo negli States, nell’ambito dello screening routinario per l’individuazione e il contrasto del cancro colorettale, il National Cancer Institute (agenzia federale USA) ha scoperto[4] che quasi un terzo della popolazione adulta degli Stati Uniti non segue le linee guida per lo screening della malattia in esame (si pensi che la diagnosi precoce del cancro colorettale è fondamentale, in quanto può ridurre significativamente le probabilità di decesso in chi ne è affetto).

Ma il Machine learning si è dimostrato efficace anche nel rilevamento e nel trattamento di altre malattie. Lo scorso anno gli ingegneri della statunitense Johns Hopkins University hanno creato[5] una sonda ottica non invasiva per studiare i tumori. Tali ricercatori hanno sviluppato un modello di Machine learning finalizzato al monitoraggio dei cambiamenti in venticinque tipologie di tumore trattati con immunoterapia (trattamenti che mirano a stimolare il sistema immunitario per combattere la malattia).[6]

L’AI nella prevenzione di ulcere da pressione

Altro caso di applicazione dell’AI nell’assistenza sanitaria: in una ricerca[7] della facoltà di medicina “Carl Gustav Carus” della “Technische Universität Dresden” di Dresda (Germania), il Machine learning ha aiutato i medici a determinare come fattori quali l’età, il livello di cura, l’anestesia e la ventilazione possano avere un impatto sullo sviluppo (o meno) delle ulcere da pressione o da decubito, in ambienti di degenza (si pensi ad attriti, umidità o tagli).

I ricercatori hanno impiegato un “approccio” di Machine learning chiamato “Bayesian Additive Regression Trees” (BART), un sistema progettato per definire le relazioni tra fattori di rischio e risultati. I ricercatori tedeschi hanno usato il BART per esaminare quasi centocinquantamila casi di ulcera da pressione (provenienti da un nosocomio tedesco) in un range di tempo che va dal 2014 al 2018.

I ricercatori di Dresda hanno rilevato ulcere da pressione in poco più del 3 percento dei casi esaminati, scoprendo anche che poco meno del cinquanta percento dei casi includeva l’uso di chirurgia e anestesia, più del 50 percento dei casi ha avuto luogo in un solo reparto e poco meno del 20 percento dei casi ha coinvolto la terapia intensiva.

Utilizzando varie analisi statistiche, i ricercatori della Carl Gustav Carus hanno scoperto che la probabilità di sviluppare ulcere da pressione era correlata alla presenza dei pazienti in unità di terapia intensiva, nonché all’età, alla durata dell’anestesia e al numero di reparti in cui il trattamento sanitario aveva luogo.

Ad esempio, la probabilità di comparsa di ulcere da pressione per i pazienti ricoverati in unità di terapia intensiva era otto volte più alta che negli altri casi. Inoltre, la probabilità di contrarre ulcere da pressione aumentava anche con un aumento dei livelli di anestesia ai quali i pazienti erano sottoposti.

In questo studio dell’università di Dresda, i ricercatori hanno osservato che, tra i casi che andavano dai cinquanta ai centoventi minuti di anestesia, la probabilità di sviluppare ulcere da pressione aumentava con il tempo: con l’aumentare dell’età, aumentavano anche le probabilità di insorgenza di ulcere da pressione.

La probabilità di sviluppare ulcere da pressione aumentava leggermente per i pazienti tra i trentacinque ai cinquanta anni, mentre – addirittura – triplicava nei pazienti tra i cinquanta e i novanta anni. I ricercatori tedeschi hanno riconosciuto che la singola impostazione (con cui hanno condotto la ricerca) può servire come una limitazione e che la conduzione di uno studio controllato “randomizzato”, in presenza di un grande campione (di pazienti), potrebbe risultare prezioso.[8]

Conclusioni: i pro e contro dell’uso dell’AI nell’Health Care

Come abbiamo potuto notare, l’uso del Machine learning e dell’AI in generale, finalizzato al miglioramento dell’assistenza sanitaria sta diventando una pratica comune (e non solo) d’oltreoceano.

Una pratica, com’è risaputo, che deve sempre e comunque “fare i conti” con gli “urti tecnici” (si pensi ai pregiudizi – bias – dell’AI) e con gli “urti normativi” (come le leggi in materia di protezione dei dati personali). D’altro canto, pensare che la tecnologia in esame abbia solo dei “pro” e nessun “contro” sarebbe un clamoroso errore. Ma questo è un altro discorso.

Bibliografia

  1. Can an Image-based Electrocardiographic Algorithm Improve Access to Care in Remote Settings? Yale School of Medicine. https://medicine.yale.edu/news-article/picture-perfect-can-an-image-based-electrocardiographic-algorithm-improve-access-to-care-in-remote-settings/
  2. Yale Researchers Develop AI Model For Heart Condition Diagnosis. HealthITAnalytics.
  1. Geisinger, Medial EarlySign detects patients at risk for colorectal cancer. Geisinger. https://www.geisinger.org/about-geisinger/news-and-media/news-releases/2022/03/30/20/27/geisinger-medial-earlysign-detects-patients-at-risk-for-colorectal-cancer
  2. Colorectal Cancer Screening (PDQ®)–Patient Version. National Cancer Institute. https://www.cancer.gov/types/colorectal/patient/colorectal-screening-pdq
  3. Johns Hopkins pioneers method to examine how immunotherapy changes tumors. EurekAlert! https://www.eurekalert.org/news-releases/931379
  4. Machine-Learning Algorithm Flags High-Risk Colorectal Cancer Patients. HealthITAnalytics. https://healthitanalytics.com/news/machine-learning-algorithm-flags-high-risk-colorectal-cancer-patients
  5. Prediction of inpatient pressure ulcers based on routine healthcare data using machine learning methodology. Nature. https://www.nature.com/articles/s41598-022-09050-x?error=cookies_not_supported&code=f032f80f-f76f-4008-8897-7ad5729f8ac1
  6. Machine Learning Links Age, Intensive Care to Pressure Ulcer Risk. HealthITAnalytics. https://healthitanalytics.com/news/machine-learning-links-age-intensive-care-to-pressure-ulcer risk#:~:text=The%20likelihood%20of%20pressure%20ulcers%20increased%20slightly%20for%20patients%20between,than%20in-hospital%20referral%20admissions.

Valuta la qualità di questo articolo

La tua opinione è importante per noi!

Articoli correlati

Articolo 1 di 2