In un mondo che cambia in modo rapidissimo, avere un algoritmo di intelligenza artificiale statico, seppur ben fatto, non è utile per migliorare i processi tradizionali e i paradigmi legati alla diagnosi e alla cura.
Il machine learning, invece, ha il potenziale per ricostruire e utilizzare i dati in modo da creare una visione più completa e sempre aggiornata dell’anamnesi di un paziente.
Così i medici possono meglio comprendere le relazioni tra i dati, da confrontare immediatamente con il resto della popolazione.
Vediamo come si sono mosse in questo ambito organizzazioni pubbliche e private per cercare di far fronte alla pandemia e quali sono i margini di miglioramento.
L’intelligenza artificiale nella “salute circolare”: opportunità, sfide e passi concreti
La pandemia ha accelerato la riconversione industriale. La battaglia del machine learning contro il Covid-19
Come è sempre avvenuto nel corso della storia, i tempi di maggior crisi stimolano l’innovazione e la creatività. Non fa eccezione l’epoca che stiamo vivendo, nella quale tutte le organizzazioni pubbliche, ma anche e soprattutto le aziende private, si sono attivate per cercare soluzioni innovative per il bene dell’umanità durante la pandemia da Covid-19.
Ci sono stati dei cambiamenti repentini nelle catene di produzione delle aziende che si sono rapidamente adattate all’emergenza: le distillerie di liquori, ad esempio, hanno iniziato a produrre disinfettanti per le mani, le aziende di stampa 3D hanno convertito la produzione realizzando visiere e tamponi nasali o caschi per la respirazione assistita.
Per soddisfare le enormi richieste le aziende automobilistiche invece hanno apportato delle modiche alle loro catene produttive per realizzare ventilatori polmonari.
Anche le aziende attive nel grande e variegato “mondo” dell’intelligenza artificiale e del machine learning, in molti casi, hanno “addestrato” i loro algoritmi per diventare efficaci e di supporto sull’assistenza sanitaria, anche se originariamente erano stati pensati per altro.
L’innovazione in sanità: a scopo predittivo e per individuare un vaccino
Ci sono esempi eclatanti di questo, come per esempio Amazon Web Services che ha supportato i suoi clienti in ambito sanitario in tutto il mondo consentendo l’assistenza remota ai pazienti, sviluppando una pianificazione predittiva dei carichi di sovraffollamento degli ospedali, sia per quello che riguarda i ricoveri ordinari che i posti di terapia intensiva.
Oltre a questo, moltissime realtà hanno “dato in pasto” ai loro algoritmi, che magari erano stati creati per altri scopi ed altre necessità, l’immensa mole di dati provenienti dalla crisi pandemica: contagi, ospedalizzazioni, decessi ed altre informazioni, cercando di prevedere e attenuare l’evoluzione della pandemia.
Oltre allo scopo predittivo, già di per sé importantissimo, gli algoritmi sono stati addestrati per cercare di individuare una cura e un vaccino per il virus SARS-COV-2.
Soprattutto per quello che riguarda le società che hanno sviluppato i nuovi vaccini a mRNA, una tipologia innovativa rispetto alla più comunemente usata a “vettore virale”, l’uso della tecnologia è stato determinante per arrivare ad avere una soluzione testata in poco meno di un anno dall’inizio dello sviluppo.
La sfida del machine learning contro il Covid-19. Il caso del produttore del vaccino Moderna
A volte caratterizziamo erroneamente l’intelligenza artificiale come una macchina o un sistema in grado di agire come un essere umano. In effetti il nome stesso della tecnologia è ingannevole, proprio per questo, uno degli stessi fondatori della tecnologia ha suggerito un termine diverso: “rapida elaborazione di informazioni complesse“.
Il lavoro del data scientist infatti, non è quello di inserire abbondanti quantità di dati in un algoritmo, tipo una scatola nera e pregare che accada una “magia” utile per trasformare quel dato
in comportamento o indicazione pronta all’uso, ma piuttosto di trovare modi per integrare il pensiero umano con quella “rapida elaborazione complessa di informazioni”, che solo un computer può fare su larga scala e con rapidità.
Questo è esattamente ciò che rende l’approccio di Moderna così potente.
Moderna biotech è un’azienda praticamente “nata” sull’intelligenza artificiale. Questo le ha permesso di accelerare ogni fase del processo necessario per sviluppare il suo vaccino contro il Covid-19. Questo metodo verrà usato dal laboratorio per tutti i futuri approcci per l’individuazione di cure anche per altri disturbi.
L’azienda è diventata famosa grazie al suo vaccino contro il Covid-19, arrivata appena dopo Pfizer-Biontech, colosso dal fatturato ben superiore a quelle dell’azienda del Massachusetts. Ciò che molti
ignorano, tuttavia, è che il laboratorio esiste da poco più di un decennio.
Quando è stata creata nel 2010, Moderna ha sviluppato tutti i suoi processi di ricerca e produzione di farmaci attorno alla tecnologia digitale o all’idea di essere supportata dall’intelligenza artificiale. Era una startup di biotecnologica nata direttamente
all’interno del cloud di Amazon Web Services (AWS).
Durante l’ultimo AWS Summit, Dave Johnson, vicepresidente di Moderna e responsabile del reparto data science e AI dell’Azienda, ha raccontato la storia di Moderna, iniziando proprio da come sia stato possibile sviluppare un vaccino contro il Covid in così poco tempo: “Moderna ha iniziato a lavorare sul nostro vaccino quando la sua sequenza è stata pubblicata dalle autorità cinesi”, ha spiegato. “Pochi giorni dopo, abbiamo finalizzato la sequenza del vaccino mRNA, in collaborazione con il National Institutes of Health, e abbiamo
immediatamente iniziato la produzione”.
Il primo lotto di siero iniettabile è stato rilasciato il 7 febbraio e il primo soggetto inoculato è stato analizzato il 16 marzo, a soli 65 giorni tra la sequenza e l’analisi. “Questo è davvero senza precedenti per un processo che normalmente richiede molti, molti anni“, osserva. Secondo il dirigente, Moderna ha condotto gli studi clinici per dimostrare immediatamente l’efficacia del suo vaccino, raggiungendo traguardi così rapidamente, grazie alla natura stessa dell’mRNA ma anche grazie alla piattaforma tecnologica costruita dall’azienda.
“Questa piattaforma è resa possibile dalla nostra infrastruttura digitale, che sfrutta l’automazione del flusso di lavoro, l’acquisizione dei dati e l’intelligenza artificiale per accelerare i processi e fornire informazioni ai nostri scienziati.”
Tutta la piattaforma di intelligenza artificiale ha rivestito un ruolo straordinario per accorciare drasticamente i tempi dalla fase di ricerca e progettazione alla fase della produzione.
“È proprio grazie alla natura flessibile e ‘programmabile’ dell’mRNA, combinata con il grandissimo potenziale tecnologico e digitale di cui disponiamo che l’approccio di Moderna, possa davvero rivoluzionare il modo in cui verranno curate molte malattie in futuro”, ha chiuso Johnson.
Per far questo, Moderna ha investito molto per acquisire dati omogenei e validi che potessero confluire in un algoritmo. Solo in questo modo ha potuto essere così veloce ed efficace nello sviluppo del suo vaccino mRNA.
Curare i malati senza farli arrivare in ospedale
La telemedicina era già forte aumento prima del Covid-19, ma il suo vero potenziale è emerso prepotentemente durante la pandemia.
La telemedicina è spesso vista semplicemente come un sistema che permette un collegamento tra paziente e medico, interagendo online tramite piattaforme audio/video, ma si è dimostrata in grado di fare anche molto di più. L’applicazione del machine learning alla telemedicina offre infatti un’opportunità unica per innovare, rimodellare e offrire esperienze più personalizzate per i pazienti e garantire che abbiano accesso alle risorse e alle cure di cui hanno bisogno, indipendentemente da luogo in cui si trovino.
Gli strumenti di telemedicina basati su machine learning come i chatbot di assistenza ai pazienti, consentono interazioni molto più efficaci con i call center sanitari, garantendo una migliore valutazione clinica e consentono di pre-indirizzare i pazienti semplificandone le valutazioni e la diagnosi e indicando loro percorsi di cura e pre-screening self-service più rapidi ed efficaci.
La piattaforma Gov Chat in Sudafrica
Gov Chat, è la più grande piattaforma di coinvolgimento dei cittadini del Sudafrica, ed ha lanciato un chatbot Covid-19 in meno di due settimane utilizzando un servizio di intelligenza artificiale e machine Learning per creare interfacce di conversazione in qualsiasi applicazione utilizzando voce e testo. Il chatbot fornisce consigli sullo stato di salute e raccomandazioni sull’opportunità di sottoporsi a un test per Covid-19, informazioni sulla struttura sanitaria più vicina per effettuare il test, la possibilità di ricevere i risultati del test e l’opzione per i cittadini di segnalare i sintomi della malattia per se stessi e per la propria famiglia.
La soluzione di machine learning di Metro Plus Health
All’inizio della crisi pandemica, un’altra azienda specializzata in sviluppo di algoritmi di AI, con sede a New York, la Metro Plus Health, ha identificato circa 85.000 individui “a rischio” (ad esempio, malattie cardiache o polmonari in comorbilità o immunodepressi) che avrebbero richiesto servizi di supporto aggiuntivi durante il ricovero in ospedale. Al fine di coinvolgere e soddisfare le esigenze di questa popolazione ad alto rischio, Metro Plus Health ha sviluppato soluzioni abilitate per il machine learning, tra cui un chatbot basato su SMS che fornisce indicazioni su processi di auto-screening, avvisi e informazioni aggiornate sulla pandemia e indicazioni sulle strutture sanitarie nelle vicinanze per indicate per la soluzione delle loro problematiche.
Fornendo ai pazienti indicazioni semplici per accedere alle cure e il supporto di cui i pazienti hanno bisogno, il machine learning ha dato ai produttori, la possibilità di innovare e scalare le loro piattaforme di telemedicina per supportare le diverse esigenze della comunità sanitaria in continua evoluzione.
La telemedicina diventa così più smart, scalabile e accessibile aumentando la sua possibilità di essere efficace, raggiungendo e coinvolgendo i pazienti in aree montane, o comunque difficili da raggiungere, ma anche quei pazienti con problemi di mobilità.
La lezione Covid-19: l’interoperabilità per rendere il machine learning efficace in sanità
Nell’ultimo decennio, le aziende si sono concentrate sulla digitalizzazione dell’assistenza sanitaria. Oggi,
dare un senso ai dati acquisiti offrirà la più grande opportunità per trasformare radicalmente i processi di diagnosi e cura.
Il successo della trasformazione dipenderà dall’organizzazione dei dati, dai sistemi di raccolta e dalla garanzia che questi possano essere anonimizzati e “aperti” (Open Data) garantendo al tempo stesso che tutto lo scambio dati avvenga in modo sicuro.
L’interoperabilità è di gran lunga uno degli argomenti più importanti per il raggiungimento degli obiettivi che si pone la tecnologia in ambito medico. Oggi, soprattutto in Italia, la maggior parte dei dati sanitari è archiviata in formati disparati (ad esempio anamnesi, cartelle cliniche, referti, esami di laboratorio e immagini diagnostiche), il che rende difficile l’estrazione delle informazioni e questo depotenzia di molto le capacità del machine learning di essere efficace.
Se avessimo un’organizzazione dei dati più efficiente, potremmo guardare a un futuro prossimo, in cui le nostre condizioni mediche più critiche, come il cancro o il diabete, potrebbero essere trattate con farmaci su misura e piani di cura abilitati direttamente da algoritmi di intelligenza artificiale e machine learning.
Conclusioni
La pandemia è stata un punto di svolta e ha fatto capire in modo molto chiaro come il ML può essere applicato per affrontare alcune delle sfide più difficili nel settore sanitario, anche se abbiamo appena intravisto le sue reali potenzialità.
Gli algoritmi non hanno lo scopo di creare magicamente cure per il Covid-19 o altre patologie. Invece, gli algoritmi di ML hanno lo scopo di indirizzare e “automatizzare” le attività con una velocità impensabile per un team di ricerca tradizionale.
Per farlo con successo però, bisogna prima strutturare e uniformare il più possibile i dati. Buoni dati consentono algoritmi di Machine Learning efficaci.
Ora abbiamo certamente l’opportunità di sfruttare le lezioni apprese durante questi ultimi due anni, per applicare questa tecnologia in modo ancora più efficace e per affrontare diversi problemi di fondo che affliggono le aziende sanitarie e in genere migliorare la qualità della vita delle persone.
Questa è la lezione: se vogliamo ottenere grandi risultati con l’intelligenza artificiale, bisogna assicurarci innanzitutto di sottoporre all’algoritmo “ottimi dati”.
