BLOG

Machine Learning applicato all’Health Care. Alcuni miti da sfatare

Fabio Poli, CEO e co-founder di Antreem, team specialist all’interno del trust DVA- Data Value Alliance in area Design Thinking e Service Design e Gabriele Brusa, partner <bba> – BespokeBiotech Advisory, valutano alcuni risultati legati all’applicazione dell’intelligenza artificiale nel mondo della Sanità per esprimere alcune considerazioni di metodo e applicazione, valide per qualsiasi utilizzo.


di Redazione

L’apprendimento automatico (il Machine Learning¹ o ML), come sub-set dell’Intelligenza Artificiale, migliorerà notevolmente la gestione e l’assistenza sanitaria.
Esistono già svariate applicazioni nell’Health-Care ma anche molti investimenti di particolare rilievo che non hanno raggiunto i loro obiettivi.

Dall’analisi dei progetti che hanno prodotto risultati e di quelli che hanno portato a dei fallimenti, unita all’ampia esperienza applicativa sviluppata in altri settori da parte di Antreem, abbiamo identificato tre miti che esistono relativamente all’applicazione degli algoritmi di ML nella sanità.

Mito 1: L’apprendimento automatico può replicare gran parte di ciò che svolgono i medici.

L’inserimento di innovazioni tecnologiche non deve essere visto in alternativa alle attività che svolgono attualmente i medici, ma come un aiuto e un supporto a valutazioni più approfondite e a tecniche e metodologie altrimenti impensabili.

Allo stato della tecnologia come la si conosce oggi, la realtà è che le applicazioni ML possono svolgere alcune delle attività svolte dai medici, ma non sostituiranno la maggior parte delle attività nel prossimo futuro.
I medici, fra gli altri, svolgono tre compiti principali: (1) aiutano a prevenire che le persone si ammalino, (2) diagnosticano una malattia, e (3) forniscono le cure più appropriate.
ML può contribuire in misura importante per il 1° e il 2° di questi compiti. Ad esempio, gli algoritmi ML si sono dimostrati particolarmente utili nel predire le caratteristiche del cancro mediante imaging o nella diagnosi ai raggi X delle fratture e, anche in assenza di supervisione, hanno dimostrato capacità di collegare determinati rischi di malattia a biomarcatori genomici.
Tuttavia, pur con l’ulteriore sviluppo di queste applicazioni, non replicheranno la capacità di un medico di prescrivere cure. L’output di un algoritmo di ML deve sempre essere analizzato da qualcuno con conoscenza del dominio; in caso contrario, i dati banali potrebbero essere interpretati come dati essenziali e quelli essenziali come banali.

C’è anche un elemento umano da considerare. La maggioranza dei pazienti ha preoccupazioni o apprensioni più o meno accentuate in merito alla cura. Incorporare lo stato mentale del paziente, le aspettative, la storia passata e i fattori culturali nel processo decisionale condiviso con il paziente e la sua famiglia, diventa chiave. I pazienti apprezzano questa interazione umana e non riceverla, in momenti sensibili, può risultare altamente negativo

Alla fine, una volta completato il trattamento, il processo di recupero stesso richiede un attento monitoraggio e cura. Le complicazioni vengono spesso rilevate attraverso l’osservazione clinica rispetto ai test o alla diagnostica basati su un protocollo. In questa fase, altre tecnologie digitali possono intervenire per il monitoraggio e la rilevazione di bio-parametri a distanza, tutte gestibili e applicabili da Antreem.

Mito 2: “Big data” + bravi Data Scientists, sono sempre una ricetta per ottenere risultati

La realtà è che sono necessari ma non sufficienti. Più dati è meglio, ma solo se sono i dati giusti e siamo in grado di comprenderli.

L’acquisizione, la gestione e il trattamento dei dati sono attività tanto strategiche quanto dispendiose. Per questo motivo è opportuno valutare attentamente quali dati sia opportuno raccogliere e per quale scopo.

Ad esempio, è sempre utile porsi le seguenti domande:

Come sono stati raccolti i dati?

Chiave è la piena adozione delle cartelle cliniche elettroniche (EHR): convoglierebbero tutte le diagnosi e i farmaci prescritti da diversi specialisti in un unico record, che fornirebbe un quadro decisamente più completo dei record cartacei dei singoli medici, non tutti raccolti in una unica cartella.  L’allineamento sempre più esteso, a livello di SSN, è quindi fondamentale per arrivare a una gestione dei dati del paziente aggiornata e integrata per una applicazione, da parte dei Data Scientists, di algoritmi di analisi su una base di dati coerente e pregnante

Per quale scopo sono stati raccolti i dati?

Prendiamo ad esempio i dati di laboratorio raccolti da un ospedale. Sono i dati dei pazienti che vengono curati in ospedale; non sono rappresentativi della popolazione, ovvero la possono approssimare tanto più è ampia l’applicazione di screening di massa

Quali sono i potenziali problemi o limitazioni dei dati?

In Italia manca uno standard a livello nazionale e diverse regolamentazioni regionali se non locali e differenti esigenze dei professionisti sanitari hanno portato a soluzioni e sistemi non interoperabili. E anche se tutte le organizzazioni utilizzassero lo stesso fornitore, la struttura dei dati, i significati dei campi e l’estensione della pulizia dei dati sono assai diverse. La disomogeneità dei dati e la difficoltà di dialogo fra diversi sistemi è la vera “montagna da scalare”.

Le circostanze sono cambiate?

I dati che abbiamo usato per costruire il modello ML sono ancora validi?

I data scientist altamente qualificati sono fondamentali per la creazione di modelli ML sofisticati, ma è anche importante avere esperti di dominio che capiscano come pensare ai modelli e all’output.

In vari casi, un approccio “ML + Umano”  funziona meglio.

Mito 3: verranno adottati e utilizzati algoritmi che diventeranno un riferimento

Sfortunatamente, molti potenti algoritmi non sono adottati o utilizzati perché non sono integrati nel flusso di lavoro di potenziali utenti (medici o tecnici o infermieri), che quindi non sono obbligati a utilizzarli. Dedicargli tempo “in silico” porta via tempo a visita e/o paziente e viene tralasciata l’opportunità.

Ad esempio, esistono molti modi per utilizzare il supporto decisionale (DSS) derivato dall’applicazione del ML, inclusi materiali da utilizzare, piani di cura o assistenza, report e avvisi. Gli “alert” al momento del processo decisionale sono generalmente i più efficaci.

Altro esempio: i consensi per l’intervento chirurgico arrivano in vari modi: su carta via posta, via fax e tramite trasmissione elettronica. Trovarli può essere una sfida. Una applicazione di ML che “legge” automaticamente i fax in arrivo e li archivia nella cartella clinica corretta, aggiungendo un avviso all’elenco di controllo preoperatorio consente di risparmiare ore di personale al mese.

Un altro esempio riguarda la tempestiva dimissione dall’ospedale dei pazienti, fondamentale per ottimizzare il flusso di lavoro, la gestione del letto e le entrate. Applicazioni che già esistono e forniscono efficienza e risparmi considerevoli se integrati in un sistema di rilevazione coerente e che produce dati di flusso in real time.

Enormi sono le opportunità per applicazioni efficaci degli algoritmi di ML nell’ambito dell’assistenza sanitaria, per migliorare significativamente l’assistenza ai pazienti, il lavoro dei sanitari e ridurre i costi.

La chiave è essere attenti a quali tipi di problemi si è in grado di risolvere, chi deve essere coinvolto nello sviluppo del modello e nell’interpretazione dell’output e come rendere il più facile possibile per gli utilizzatori l’agire sulla base degli output ricevuti

E il Design Thinking, inteso come l’insieme dei processi e delle metodologie cognitivi, strategici e pratici utili alla progettazione e all’innovazione di servizi, prodotti e processi, diventa un modello progettuale utile e funzionale alla risoluzione di problematiche complesse.

In particolare, si dimostra estremamente efficace un approccio metodologico orientato alla prototipazione veloce delle soluzioni studiate con l’obiettivo di validare sul campo i modelli e la loro reale efficacia.

Antreem è un agente del cambiamento per la trasformazione digitale, una azienda specializzata nel design e nello sviluppo di soluzioni digitali complesse e multicanale, mettendo al centro le persone con le loro esigenze, per realizzare soluzioni su misura di qualità.

Temi come quelli trattati sono parte del suo quotidiano progettuale.

In Antreem, la consolidata esperienza negli ambiti dello sviluppo del software e dell’integrazione tra sistemi si unisce a competenze di analisi e progettazione della user experience e del service design, per accompagnare il cliente dalla definizione di un bisogno e dalla progettazione e realizzazione della soluzione adatta, fino al design, all’implementazione e alla messa in produzione.

Consulenza di progetto, di processo e organizzativa per la Digital Transformation.

 

¹ Il Machine Learning è una branca dell’intelligenza artificiale che raccoglie un insieme di metodi, sviluppati a partire dagli ultimi decenni del XX secolo in varie comunità scientifiche, sotto diversi nomi quali: statistica computazionale, riconoscimento di pattern, reti neurali artificiali, filtraggio adattivo, teoria dei sistemi dinamici, elaborazione delle immagini, data mining, algoritmi adattivi, ecc.; che utilizza metodi statistici per migliorare progressivamente la performance di un algoritmo nell’identificare pattern nei dati. Nell’ambito dell’informatica, l’apprendimento automatico è una variante alla programmazione tradizionale nella quale si predispone in una macchina l’abilità di apprendere qualcosa dai dati in maniera autonoma, senza ricevere istruzioni esplicite al riguardo


Fabio Poli è ingegnere informatico, è co-fondatore e CEO di Antreem Srl.
Con una formazione tecnica alle spalle, oggi si occupa prevalentemente di consulenza strategica e di design di servizi innovativi, affiancando -con un ruolo di facilitatore e consulente- i clienti nella valutazione delle soluzioni più adatte alle specifiche esigenze.

Facebooktwittergoogle_pluslinkedinmail