La sanità è uno dei settori di maggior interesse in assoluto per le potenziali applicazioni dell’AI generativa. Assistenti virtuali che affiancano medici specialisti nella definizione della diagnosi, chatbot personalizzati che consigliano il paziente come meglio convivere con una patologia cronica, modelli che interpretano i risultati di esami diagnostici, sono solo alcuni tra i molteplici ambiti applicativi dell’IA generativa in campo medico.
Indice degli argomenti
Dati clinici aperti per IA generativa: il nodo europeo
Sappiamo anche che la disponibilità di grandi quantità di dati è cruciale per lo sviluppo di modelli di IA di alta qualità. Sul fronte dei dati scientifici (articoli su riviste e conferenze, siti web specializzati, manualistica), possiamo dire che esiste una ampia disponibilita, in particolare grazie all’immenso archivio PubMed [1], che raccoglie e mette a disposizione oltre 40 milioni di pubblicazioni scientifiche in varie lingue (con l’ovvia prevalenza dell’inglese). Se invece consideriamo i dati clinici, quelli che riguardano la condizione clinica di singoli pazienti, la situazione è radicalmente diversa. Qui il riferimento internazionale è il dataset MIMIC (Medical Information Mart for Intensive Care – [2]) che raccoglie i dati clinici di più di 250.000 pazienti, principalmente tra quelli ammessi al pronto soccorso dell’ospedale Beth Israel di Boston. Tuttavia, se guardiamo all’Europa, la disponibilità di dati clinici aperti è sostanzialmente nulla, in buona misura a causa delle differenti e più restrittive normative sulla circolazione dei dati personali.
L’Italia non fa eccezione. Il primo puntatore per una ricerca di dati aperti (che si possano utilizzare liberamente, almeno per scopi di ricerca) è il sito di AGID, Agenzia per l’Italia Digitale, la quale gestisce il portale dati.gov.it [3], che raccoglie il catalogo dei dati aperti della Pubblica Amministrazione italiana. Qui troviamo decine di migliaia di dataset di interesse per chi fa ricerca, ma anche per le aziende che sviluppano applicazioni di interesse per la PA.
Sul portale, però, i dati aperti nel campo della salute sono solo 1087, e comprendono tassi di assenza in strutture ospedaliere, farmacie sul territorio, defibrillatori disponibili, interventi formativi, fino alle ore di smart working assegnate al personale. Con un po’ di disappunto notiamo l’assenza completa di qualsiasi dato clinico: referti di esami diagnostici, lettere di dimissioni, immagini. Quindi niente che possa servire ad addestrare modelli di IA generativa in grado di fare predizioni in campo medico.
Benché a livello europeo si susseguano appelli e iniziative per affrontare la mancanza di dati clinici aperti, in concreto poco è accaduto negli ultimi anni. Ma qualcosa si sta muovendo, e, stranamente, proprio in Italia…
Dati clinici e medicina d’urgenza: perché il pronto soccorso conta
Il pronto soccorso è probabilmente il luogo con il maggior tasso di produzione di documenti clinici. Un pronto soccorso di medie dimensioni di una città italiana accetta circa 60.000 pazienti in un anno. Il paziente viene visitato, se necessario vengono effettuati esami, e, dopo un tempo di attesa variabile, viene presa la decisione se trattenere il paziente in ospedale oppure se dimetterlo.
Durante il periodo di permanenza nel pronto soccorso il personale medico tiene traccia dello stato stato del paziente, inserendo dati in forma digitale nella cartella clinica elettronica relativa all’accesso al pronto soccorso. Si tratta, ad esempio, degli esiti degli esami, ma anche di informazioni che riguardano i motivi per cui il paziente si è recato al pronto soccorso (anamnesi), le considerazioni cliniche durante la vista, ecc. La maggior parte di queste informazioni viene aggiunta nella cartella clinica elettronica come testo libero. Si tratta di brevi note cliniche (mediamente contengono poco più di 50 parole) che riportano le fasi di trattamento del paziente. Qui sotto un estratto da una nota clinica relativa all’anamnesi del paziente.
Paziente vigile, a tratti confuso, al momento relativamente tranquillo. Non sintomatologia algica a LUOGO 110/70 mmHg, FC 80 bpm R, SpO2 94% in AA, FR 20 apm, eutermico.
Come è intuitivo aspettarsi, il linguaggio è sintetico, la terminologia specifica e sono riportate misurazioni dei parametri principali. Mediamente vengono scritte dieci note cliniche per ciascun paziente durante la permanenza al pronto soccorso. Se consideriamo 60.000 pazienti all’anno, fanno 600.000 note cliniche all’anno, che, a 50 parole di media per nota, fanno un totale di circa 30 milioni di parole prodotte in un anno per un singolo pronto soccorso.
Se avessimo solo dieci pronto soccorso, e ognuno raccogliesse le note cliniche solamente per tre anni, avremmo quasi un miliardo di parole! Abbastanza per diventare materiale interessante per addestrare e valutare modelli di AI generativa, in particolare Large Language Model (LLM), ad eseguire compiti specifici a supporto della medicina di emergenza.
Ad esempio, un modello potrebbe predire con quale probabilità un certo paziente sarà ricoverato o dimesso, sulla base del contenuto delle note cliniche. E questo consentirebbe di confrontare casistiche simili per pronto soccorso diversi, eventualmente mettendo in luce differenze di trattamento non giustificate dalle differenze dei casi clinici. In ultima analisi, un modello predittivo sulla decisione ricovero/dimissione potrebbe essere un indicatore, tra altri, dell’efficienza di un pronto soccorso, e determinare interventi volti a migliorarla.
Tutto questo si basa sull’assunto che le note cliniche prodotte da un ospedale possano essere utilizzate per addestrare modelli di AI generativa. Tuttavia questo assunto, come possiamo intuire, è tutt’altro che scontato. Infatti, quando parliamo di ospedali, dobbiamo fare i conti con due problematiche in particolare che incidono sullo sviluppo e la diffusione di applicazioni di IA: (i) i dati raccolti in un ospedale sono soggetti ai vincoli della normativa sui dati personali, il GPDR (General Data Protection Regulation, Regolamento UE 2016/679), e questo rende complesso il loro utilizzo per addestrare sistemi di IA generativa; (ii) in aggiunta, i vincoli alla circolazione dei dati clinici rendono difficoltoso il loro utilizzo da parte di applicazioni su cloud, e questa è attualmente la soluzione standard per le applicazioni di IA. D’altra parte, una installazione on-premise di modelli di IA di grandi dimensioni richiederebbe una infrastruttura di calcolo che nella maggior parte dei casi non è disponibile in un ospedale.
Resta la domanda: quali strade si possono percorrere in concreto per rendere disponibili dati clinici su larga scala?
eCREAM e le note cliniche aperte su scala europea
Il consorzio eCREAM [4] ha lanciato una iniziativa concreta su scala europea con l’obiettivo ambizioso di raccogliere e rendere disponibile una collezione di note cliniche prodotte in pronto soccorso, in una quantità, decine di milioni, fino ad ora mai raggiunta.
eCREAM (enabling Clinical Research in Emergency and Acute care Medicine), è un progetto quinquennale finanziato dal programma Horizon Europe. Coordinato dal Laboratorio di Epidemiologia Clinica dell’Istituto di Ricerche Farmacologiche Mario Negri, riunisce 11 partner di otto paesi europei: Francia, Grecia, Inghilterra, Italia, Polonia, Slovacchia, Slovenia e Svizzera. L’obiettivo primario del progetto è estrarre dati di alta qualità idonei per scopi di ricerca direttamente dalle cartelle cliniche elettroniche utilizzate nei dipartimenti di emergenza, sfruttando modelli linguistici di grandi dimensioni (LLM).
I pronto soccorso occupano una posizione importante nel sistema sanitario in quanto sono il punto di ingresso primario per l’assistenza acuta e non programmata. Tuttavia, la medicina d’urgenza è storicamente rimasta indietro rispetto ad altre specialità in termini di ricerca basata sull’evidenza, in gran parte a causa della natura frammentata, eterogenea e soggetta a pressioni temporali delle sue pratiche, che rende la raccolta manuale tradizionale dei dati raramente fattibile.
Il protocollo NLP-DeVal e le approvazioni etiche
Lo strumento principale per la raccolta delle note cliniche è il protocollo NLP-DeVal (Sviluppo e Validazione di uno Strumento di Elaborazione del Linguaggio Naturale per Abilitare la Ricerca Clinica in Medicina d’Urgenza e di Medicina Acuta; ClinicalTrials.gov: NCT06240572), uno studio retrospettivo, osservazionale e multicentrico. Il protocollo dello studio mira a sfruttare e validare un modello linguistico di grandi dimensioni per estrarre informazioni clinicamente rilevanti da note di pronto soccorso in testo libero in cinque lingue (inglese, greco, italiano, polacco e sloveno). A tal fine, a ciascun ospedale partecipante è stato chiesto di fornire un ampio set di note cliniche in testo libero estratte dai propri sistemi di cartella clinica elettronica (EHR), riguardanti i pazienti che hanno visitato il pronto soccorso tra il 2021 e il 2023.
Il protocollo NLP-DeVal è stato sottoposto ai Comitati Etici di 26 centri partecipanti in sette paesi: 18 italiani, 3 britannici, 2 polacchi, 1 sloveno, 1 greco e 1 svizzero. Complessivamente, il protocollo ha ricevuto l’approvazione dalla maggioranza dei Comitati Etici. Tuttavia, 7 centri non hanno raggiunto un esito positivo: 4 Comitati Etici italiani hanno sollevato obiezioni che si sono rivelate irrisolvibili nell’ambito del disegno dello studio, 1 Comitato svizzero ha negato l’autorizzazione, citando preoccupazioni legate alla privacy riguardo al trasferimento transfrontaliero dei dati, e, ad oggi, le approvazioni da parte di 1 Comitato polacco e 1 Comitato greco sono ancora in sospeso.
Il processo di approvazione si è rivelato considerevolmente più lungo del previsto. In diversi casi, la deliberazione dei Comitati Etici si è protratta oltre i dodici mesi dalla data di presentazione. Questo ritardo sembra riflettere una più ampia impreparazione dei comitati etici nel valutare studi di questa natura: nello specifico, studi retrospettivi che coinvolgono dati EHR in testo libero anonimizzati e con elaborazione basata su tecniche NLP (Natural Language Processing) piuttosto che obiezioni etiche sostanziali. L’inedita combinazione di disegno retrospettivo, dati testuali su larga scala e condivisione dei dati tra istituzioni non rientrava nei quadri a cui la maggior parte dei Comitati Etici era abituata, generando un’estesa incertezza procedurale.
Oltre all’approvazione etica in sé, la formalizzazione degli accordi di trasferimento dati tra il centro di coordinamento e i singoli ospedali si è rivelata altrettanto dispendiosa in termini di tempo. Gli uffici legali e di protezione dei dati delle istituzioni hanno frequentemente richiesto chiarimenti dettagliati sulle garanzie di privacy, sui flussi di dati e sulle responsabilità ai sensi del GDPR prima di co-firmare gli accordi. Ciò ha ulteriormente esteso le tempistiche di inserimento per diversi centri, in alcuni casi aggiungendo mesi a un processo già prolungato.
Nel complesso, l’esperienza del protocollo NLP-DeVal evidenzia una lacuna strutturale nell’attuale panorama normativo: sebbene il GDPR fornisca un solido quadro per la protezione dei dati, l’implementazione pratica della revisione etica per studi retrospettivi basati su NLP rimane non sufficientemente standardizzata tra le istituzioni europee, rappresentando un significativo collo di bottiglia per questo tipo di ricerca.
Anonimizzazione dei dati e tutela GDPR
Da un punto di vista normativo, i dati sanitari sono considerati una categoria speciale di dati sensibili nell’ambito di normative come il GDPR e richiedono una rigorosa governance che ne limiti l’uso a fini di ricerca. Un passaggio necessario per far uscire i dati clinici dall’ombrello di protezione del normativa GDPR, consiste nella completa anonimizzazione del dato. Significa che tutti i riferimenti (ad esempio, nome, numero di telefono, codice fiscale, indirizzo, ma anche riferimenti indiretti, ad esempio un parente del paziente) che possono portare ad identificare l’identità del paziente devono essere completamente rimossi. L’obiettivo è minimizzare a tal punto il rischio di re-identificazione del paziente da renderlo sostanzialmente nullo. Da notare che anonimizzare è un procedimento diverso da de-identificare: qui i riferimenti sono sostituiti da codici tramite i quali, con una opportuna chiave di decodifica, è sempre possibile ripristinare i dati originari. Questo procedimento all’indietro non è possibile con l’anonimizzazione completa del dato.
Quindi, il protocollo NLP-DeVal prevede che, prima di qualsiasi trasferimento, le note cliniche siano sottoposte a un processo di anonimizzazione in due fasi: in primo luogo, vengono rimossi tutti i riferimenti al paziente e al contesto clinico (nomi, date, diagnosi, disposizione); in secondo luogo, viene applicato un software di anonimizzazione certificato (AnonymAI) per eliminare i riferimenti residui a terze parti (ad esempio, nomi e dettagli di contatto di parenti). I testi anonimizzati risultanti vengono quindi trasmessi al server centrale eCREAM per le analisi.
Il corpus italiano per addestrare modelli di IA generativa
Ad oggi, il protocollo NLP-DeVal è stato applicato in tutte le sue parti dal Dipartimento di Emergenza di due ospedali italiani: l’ospedale San Giovanni Bosco di Torino (SGB) e l’ospedale Sant’Andrea di Vercelli (SA). Le note cliniche dei due pronto soccorsi sono state raccolte in un arco di tre anni, 2021-2023, e rappresentano tutti i documenti in testo libero prodotti dai Dipartimenti di Emergenza dei due ospedali. Ogni nota è assegnata a una categoria diversa in base al contesto in cui è scritta. Ci sono 10 categorie comuni ai due ospedali: Anamnesi, Diario Clinico, Dimissione, Terapia Domiciliare, LIS (Laboratory Information System), Visita Medica, Assistenza Infermieristica, RIS (Radiology Information System), Consulenza Specialistica e Triage. Per il dataset San Giovanni Bosco è presente una categoria aggiuntiva: “Altro Esame”, mentre per il Sant’Andrea di Vercelli è “Parametri Vitali”.
Il corpus completo comprende circa 4,2 milioni di note cliniche italiane (1,9 milioni dal dataset SGB, 2,3 milioni dal dataset SA), per un totale di 221 milioni di parole. Il dataset SA contiene un numero sostanzioso di note cliniche molto brevi, che riflettono le pratiche di quello specifico contesto di pronto soccorso. Abbiamo scelto di conservare tutte le note, indipendentemente dalla lunghezza, e di lasciare qualsiasi decisione di filtraggio basata sulla lunghezza agli utenti finali, in base alle loro specifiche esigenze di ricerca. Una recente pubblicazione [5] riporta tutti i dettagli del corpus, compresi i primi esperimenti di utilizzo delle note cliniche per addestrare modelli di AI generativa.
Le note cliniche eCREAM sono dati aperti: possono essere distribuiti sia per scopi di ricerca che per scopi commerciali. Possono essere utilizzati per addestrare e valutare modelli di IA generativa a loro volta aperti, distribuiti gratuitamente.
Dati clinici aperti, verso una IA sanitaria più affidabile
L’esperienza fatta negli ultimi due anni dal progetto eCREAM è importante e per certi versi unica a livello europeo. Mostra come, con parecchia determinazione e costanza, sia stata percorsa una strada completamente rispettosa delle normative e dei principi etici che le ispirano, che ha portato ad un dataset di documenti clinici aperti, accessibili a tutti. Due ospedali italiani hanno concluso l’intero percorso (approvazione del protocollo di ricerca, anonimizzazione completa, trasferimento dei dati), mettendo a disposizione più di 4 milioni di note cliniche. Altri ospedali italiani e europei sono vicini a concludere il processo. Sono risultati importanti, verso una IA aperta, trasparente, affidabile.
Ringraziamenti
Il lavoro riportato in questo articolo si è svolto nel contesto del progetto EU eCREAM (accordo di sovvenzione n. 101057726), coordinato dall’Istituto Mario Negri, e nel quale la Fondazione Bruno Kessler coordina l’attivita’ di ricerca sull’uso di tecniche basate su AI generativa. Un grazie particolare a Guidi Bertolini, coordinatore del progetto eCREAM e del Laboratorio di Epidemiologia Clinica dell’Istituto di Ricerche Farmacologiche Mario Negri.
Bibliografia
[1] Archivio PubMed: https://pubmed.ncbi.nlm.nih.gov/
[2] Dataset MIMIC: https://mimic.mit.edu/
[3] Portale dai aperti della pubblica amministrazione: https://www.dati.gov.it/
[4] Progetto eCREAM: https://fenicenetwork.marionegri.it/ecream/
[5] Dati clinici del progetto eCREAM: https://arxiv.org/pdf/2606.12569
Partecipa alla community