la casistica pratica

L’intelligenza artificiale in Sanità: ecco dove è usata e con quali risultati

I sistemi di intelligenza artificiale sono già ampiamente utilizzati in ambito sanitario, con diverse finalità e risultati. Ecco gli esempi pratici a livello internazionale per fare il punto sullo “stadio evolutivo” del settore e sugli attuali progressi in campo tecnologico

31 Mar 2020
Luigi Mischitelli

Privacy & Data Protection Specialist at IRCCS Casa Sollievo della Sofferenza


L’utilizzo dell’Intelligenza Artificiale (IA) sta avanzando rapidamente in molti settori della sanità e il suo potenziale al servizio del paziente e del professionista sanitario è ampiamente riconosciuto. L’utilizzo dell’Intelligenza Artificiale in sanità non solo fornisce nuovi percorsi di trattamento e cura attraverso la diagnostica e i dispositivi indossabili (es. FitBit, Apple Watch ecc.), ma può anche aumentare le competenze degli operatori sanitari coinvolti, consentendo al contempo una maggiore efficienza nell’implementazione della documentazione sanitaria.

In questo articolo esporremo dunque quella che è la casistica “pratica” internazionale – ossia la concreta applicazione dell’Intelligenza Artificiale in alcuni nosocomi e centri di ricerca, per comprendere meglio lo “stadio evolutivo” del settore nonché gli attuali progressi in campo tecnologico. Con un breve accenno – in alcuni casi – all’impatto normativo.

La casistica: Deepmind

Deepmind è una società britannica – di proprietà di Alphabet (casa madre di Google) – impegnata da anni nel campo dell’Intelligenza Artificiale. Tra le divisioni di Deepmind spicca(va) – per quanto di nostro interesse – la “sezione Health”, deputata all’utilizzo dell’Intelligenza Artificiale in sanità: applicazioni, cloud e soluzioni dedicate. Da novembre 2019 Deepmind Health è confluita in Google Health[1], al termine di un processo durato circa un anno. Esaminiamo alcuni casi pratici – circoscritti al Regno Unito – in cui Deepmind Health è stato – e viene – utilizzato con successo. Tranne il primo dal quale partiamo.

Royal Free Hospital

“Prima la cattiva notizia”. In un caso di due anni fa il London’s Royal Free Hospital è stato coinvolto in uno scandalo per non aver rispettato la normativa in materia di protezione dei dati personali (all’epoca era ancora vigente il Data Protection Act 1998). In breve, il nosocomio trasferì i dati personali di 1,6 milioni di pazienti britannici a DeepMind, all’epoca già parte di Google (pur formalmente indipendente da Google Health). Il trasferimento dei dati riguardava la partnership tra l’ospedale e Deepmind in ordine alla creazione di un’app sanitaria chiamata Streams, preordinata alla diagnosi e rilevazione di lesioni renali acute, con sistema di allarmistica dedicato.

L’autorità privacy di Londra, l’ICO – Information Commissioner’s Office – affermò che i pazienti non fossero adeguatamente informati che i loro dati personali sarebbero stati utilizzati come parte del test alla base della partnership. Per l’ICO vi sono state una “serie di carenze” nel modo in cui i dati dei pazienti sono stati condivisi per questo studio; i pazienti non si aspettavano che le loro informazioni fossero utilizzate in questo modo, con una ingiustificata “disattenzione” da parte dei partner che ha portato ad un grave deficit di trasparenza in materia di protezione dei dati personali. Tuttavia l’ICO chiese ad entrambi gli attori coinvolti di impegnarsi ad apportare cambiamenti che affrontassero le carenze, dichiarando – al contempo – che la normativa in materia di protezione dei dati non è un ostacolo all’innovazione, ma deve essere considerata ovunque vengano utilizzati i dati personali. L’ICO stabilì che testare l’applicazione con i dati personali dei pazienti andava “oltre l’autorità di Royal Free”, soprattutto in considerazione dell’ampiezza della portata del trasferimento dei dati. Sempre l’ICO, in conclusione, affermò che – ad esempio – il paziente presentatosi per un incidente negli ultimi cinque anni, il paziente in pronto soccorso ovvero il semplice utente che usufruiva di servizi radiologici non si sarebbero mai aspettati che i propri dati potessero essere accessibili a terzi per la sperimentazione di una nuova app (senza informazioni e consenso), per quanto positivi possano essere stati gli obiettivi di tale APP. In definitiva l’ICO dichiarò che, comunque, “permangono preoccupazioni circa la necessità e la proporzionalità dell’uso dei dati sensibili (particolari “per il GDPR”) di 1,6 milioni di pazienti”. L’ICO – che non ha bloccato il trattamento né il progetto – ha comunque richiesto al Royal Free di commissionare un audit di terza parte a seguito della decisione dell’Autorità, implementare e completare un adeguato privacy assessment (in costanza di GDPR una Valutazione di Impatto – artt. 35 e 36 GDPR), stabilire come meglio adempiere ai propri “doveri” nei futuri processi ed utilizzare una condizione di liceità adeguata (nel GDPR le rinverremmo all’Art. 6) per il progetto DeepMind.

Dal canto suo Royal Free ha dichiarato che il mancato blocco da parte dell’ICO ha permesso di continuare con lo sviluppo dell’APP, nonché di continuare a salvare vite umane con un trattamento più veloce e mirato. Inoltre l’ospedale ha dichiarato di informare continuamente i pazienti coinvolti sul trattamento dei loro dati, rassicurandoli che gli stessi dati fossero sempre sotto il loro controllo senza alcun altro utilizzo che non fosse l’assistenza e la sicurezza del paziente.

Tuttavia, l’ICO non critica direttamente DeepMind, in quanto Royal Free ha agito (e agisce) come titolare del trattamento dei dati durante tutta la durata della partnership. Mentre – pleonasticamente – Streams/ DeepMind ha agito (e agisce) come responsabile del trattamento per conto del nosocomio. Tuttavia Deepmind “by Google” ha comunque dichiarato che anche da parte sua si procede sempre verso una gestione sicura e lecita dei dati dei pazienti, affermando – con una sorta di “mea culpa” – che da quando è iniziata la partnership (2015) è stata sottovalutata la complessità del National Health Service (NHS) – il sistema sanitario nazionale del Regno Unito – nonché la complessità della normativa privacy in vigore. Sempre Deepmind ha dichiarato di essersi concentrata quasi esclusivamente sulla costruzione di strumenti per gli operatori sanitari (medici ed infermieri), trascurando la tematica della sicurezza e della protezione dei dati. Nel frattempo Streams è stato applicato ad altri ospedali britannici, mentre DeepMind si è ramificata in altri studi clinici, tra cui un progetto mirato all’utilizzo di tecniche di apprendimento automatico (Machine Learning).[2]

Moorfields Eye Hospital

Esaminato il lato “dark” di Deepmind, procediamo con due casi di partnership “senza intoppi”. Partnership siglate nel 2016 ed ancora oggi in vigore.

Il Moorfields Eye Hospital NHS Foundation Trust, uno dei principali ospedali oculistici al mondo, lavora da quattro anni con Deepmind per esplorare ed implementare soluzioni che possano apportare a cause che conducono alla perdita della vista: la retinopatia diabetica e la Degenerazione Maculare legata all’età (AMD). Insieme, queste patologie colpiscono più di 625000 persone nel Regno Unito e oltre 100 milioni di persone in tutto il mondo. Il diabete – che colpisce una persona su undici della popolazione adulta mondiale – è la principale causa di cecità nella popolazione in età lavorativa: il diabetico ha venticinque volte più probabilità di soffrire un qualche tipo di problema della vista (la perdita principalmente). La diagnosi precoce e il trattamento “per tempo” possono prevenire il 98% delle gravi perdite visive derivanti dal diabete, ma ciò non sempre accade. La Degenerazione Maculare legata all’età (AMD) – invece – è la causa più comune di cecità nel Regno Unito: ogni singolo giorno quasi duecento persone perdono la vista a causa della forma più grave di questa patologia. Consentendo la diagnosi e il trattamento precoce di AMD, il Machine Learning ha il potenziale per aiutare a salvare la vista di molte di queste persone.

Al momento, i professionisti del settore utilizzano scansioni digitali del fondo oculare (la parte posteriore dell’occhio), nonché scansioni chiamate tomografia ottica a radiazione coerente (PTOM), per diagnosticare e determinare il trattamento corretto per queste gravi condizioni oculari. Queste scansioni sono molto complesse e richiedono molto tempo per l’analisi da parte dei professionisti, il che può avere un impatto su quanto velocemente si può parlare con il paziente circa la diagnosi e il trattamento. Finora i tradizionali strumenti di analisi computerizzata non sono stati in grado di esplorarli completamente.

Il progetto Moorfields Eye Hospital-Deepmind mira a studiare come il Machine Learning possa aiutare ad analizzare le scansioni oculari in modo efficiente ed efficace, portando ad una diagnosi e ad un intervento tempestivo per i pazienti, riducendo – al contempo – il numero di casi di deterioramento della vista degli interessati. Il progetto mira ad utilizzare circa un milione di scansioni oftalmiche anonimizzate (prive di ogni informazione che conduca al paziente) e alcune informazioni anonime relative alle condizioni oculari e alla gestione della malattia, messe a disposizione di Deepmind dal nosocomio. Deepmind ha affermato che non è possibile identificare i singoli pazienti (non entrando nell’ambito di applicazione del GDPR). Inoltre, specifica Deepmind, si tratta di scansioni “storiche”, il che significa che mentre i risultati della ricerca possono essere utilizzati per migliorare le cure future, al contempo non influenzeranno le cure che ogni paziente riceve oggi. In definiva, un risultato diverso dal caso Royal Free esaminato in precedenza.[3]

University College London Hospitals

Infine, sempre con partnership Deepmind iniziata nel 2016, esaminiamo il progetto che coinvolge lo University College London Hospital (UCLH) finalizzato ad esplorare il potenziale dell’utilizzo delle tecnologie di Intelligenza Artificiale per aiutare a pianificare il trattamento di radioterapia per i pazienti con cancro alla testa e al collo. In base all’accordo, DeepMind utilizza scansioni TC (Tomografia Computerizzata) anonimizzate di circa 500 pazienti del nosocomio affetti da cancro alla testa e al collo che hanno acconsentito all’utilizzo dei loro dati anonimizzati per scopi di ricerca (si, nella nota di stampa di UCLH si parla proprio di patients who consented to their anonymised data being used for research purposes).

Nel 2018, DeepMind Health ha pubblicato i primi risultati della partnership che suggeriscono di essere sulla via dello sviluppo di un sistema di Intelligenza Artificiale in grado di analizzare e segmentare in una frazione del tempo le scansioni TC del cancro alla testa e al collo secondo standard simili a quelli dei clinici esperti. Nel novembre 2018, con l’intenzione di DeepMind (o meglio, di Google) di confluire in Google Health, la partnership è stata rinnovata con quest’ultima. Con lo University College London Hospital che ha dichiarato di mantenere il controllo dei dati anonimizzati, restandone responsabili circa le modalità del loro utilizzo (anche qui nota stampa ufficiale). Secondo lo UCLH i dati anonimizzati[4] sono criptati e accessibili solo a un numero limitato di ricercatori (il sottoscritto suppone di Google Health) che stanno lavorando a questo progetto con il permesso di UCLH. Sempre lo UCLH afferma che l’accesso ai dati – controllato – sarà concesso solo per scopi di ricerca ufficialmente approvati.[5]

IBM Watson Health

EVENTO - 4 NOVEMBRE 16:00
Dopo il Coronavirus, quale prossima normalità per il SSN?
Dematerializzazione
Sanità

Come contraltare dell’ei fu Deepmind Health (oggi Google Health), IBM Watson Health[6] fornisce parimenti soluzioni di Intelligenza Artificiale e di Machine Learning innovative e pratiche, utilizzate – a differenza di Deepmind – prevalentemente in ambito statunitense.

Di seguito due casi circa l’utilizzo pratico della soluzione IBM in ambito sanitario.

Cleveland Clinic

Nel 2016 la Cleveland Clinic e IBM annunciarono un accordo quinquennale per migliorare la tecnologia ICT, la cura dei pazienti nonché utilizzare al meglio i dati in tutti i nosocomi appartenenti alla Clinic. Il progetto mira(va) a stabilire un modello per una transizione del sistema sanitario verso un’assistenza basata sul valore e sulla salute della popolazione, nonché per scoprire nuovi potenziali standard di cura e assistenza replicabili a livello nazionale.

Con un settore sanitario sempre più dipendente dalla tecnologia in ordine alla fornitura di cure adeguate, di alta qualità e a prezzi accessibili, l’implementazione della tecnologia IBM è stata progettata per consentire un’analisi efficiente dei dati contenuti nelle cartelle cliniche elettroniche (EHR – Electronic Health Records), nonché per consentire un’analisi delle informazioni provenienti dai reclami amministrativi, consentendo sia l’assistenza clinica personalizzata che una più ampia gestione della popolazione interessata. Ad esempio, l’analisi dei dati potrebbe aiutare a prevedere se i pazienti diabetici sono resistenti a determinati trattamenti e se all’interno di un gruppo di pazienti diabetici vi sono casi simili che potrebbero aiutare i fornitori di servizi medici a personalizzare meglio il coinvolgimento dei pazienti per rispondere a esigenze specifiche, come la notifica dei trattamenti raccomandati ovvero la notifica delle azioni da intraprendere.

La diffusa implementazione delle cartelle cliniche negli USA – unitamente all’utilizzo di sempre maggiori tecnologie – ha aperto le porte anche al cognitive computing di IBM Watson, per migliorare la qualità, la personalizzazione delle cure, nonché l’efficacia dei costi. Con l’utilizzo di IBM Watson, la Cleveland Clinic permetterà l’estrazione di grandi quantità di dati che, combinata con la conoscenza della letteratura medica da parte della “macchina”, permetterà di addestrare e focalizzare le capacità di IBM Watson a supporto delle cure cliniche e dei compiti amministrativi “affidategli”.[7]

Il caso AHMC Healthcare

Quando la AHMC Healthcare, un’azienda ospedaliera della California, ha necessitato di migliorare le operazioni cliniche per il trattamento della sepsi, si sono rivolti a IBM CareDiscovery – di IBM Watson – per gestire i processi e l’alta intensità richiesta per la raccolta dei dati. Sono stati quindi in grado di valutare le prestazioni del sistema con un grado di precisione superiore. La sepsi è essenzialmente una risposta corporea autodistruttiva a un’infezione. È la condizione più costosa trattata negli ospedali statunitensi, ma una diagnosi precoce e un rapido avvio di un trattamento appropriato possono aiutare a contenere i danni e i costi. L’implementazione delle soluzioni IBM Watson ha permesso a diverse strutture sanitarie di conformarsi agli standard USA per ridurre la morbilità e la mortalità connesse alla sepsi. Nei primi nove mesi del 2017 solo il 49% degli ospedali statunitensi si erano conformati a questi standard, e AHMC non era tra questi. A dicembre 2019 AHMC Healthcare è stata in grado di individuare i punti “da sanare” in tutti i processi operativi, aumentando la conformità dal 10 al 100 per cento. Watson Health viene utilizzato anche per l’automazione dell’imaging medico e dei flussi di lavoro, ad esempio per ridurre la grande quantità di tempo ed energia per gestire fax, telefonate e documenti per confermare i dati clinici. Ma anche per i processi decisionali in materia di diagnostica ed altre operazioni complesse.

Tuttavia, come in altri settori, c’è il rischio di un’eccessiva dipendenza dalle nuove tecnologie, per quanto impressionante possa essere o possa sembrare. Un buon giudizio clinico ha ancora un ruolo importante, e può aiutare a individuare i falsi fattori scatenanti. Anche gli errori o i ritardi nella documentazione e la complessità delle misure sanitarie possono influenzare le operazioni ospedaliere.[8] La parola d’ordine rimane cautela.

CLEW Medical –  UMass Memorial Medical Center

L’utilizzo dell’Intelligenza Artificiale in sanità passa anche attraverso soluzioni innovative non Made in USA. La società israeliana CLEW Medical ha implementato una piattaforma di analisi dell’Intelligenza Artificiale in tempo reale progettata per prevedere le complicazioni che minacciano la vita del paziente in varie strutture sanitarie nonché per aiutare i fornitori di servizi a prendere decisioni cliniche migliori, aumentando la sicurezza e l’assistenza dei pazienti, gestendo efficacemente i costi, il tutto in conformità ai regolamenti aziendali e alle normative di settore (anche privacy). La piattaforma CLEW utilizza il Machine Learning e le tecnologie informatiche per sviluppare modelli fisiologici e predittivi modellati sul singolo paziente, al fine di fornire “avvisi predittivi” durante tutte le fasi del “soggiorno” presso la struttura sanitaria. Questi modelli ottimizzano le scarse risorse cliniche e guidano gli operatori sanitari nella cura del paziente.

A fine 2018 CLEW ha stipulato un accordo con il nosocomio statunitense UMass Memorial Medical Center, uno dei più grandi centri medici accademici del Massachusetts. La piattaforma della società di Netanya analizza le centinaia di migliaia di dati che il paziente medio in un ospedale americano fornisce ogni minuto, per aiutare i medici a prendere decisioni tempestive con intuizioni cliniche, operative e finanziarie. Gli innovativi modelli di previsione dell’azienda e il motore di analisi avanzata rilevano il deterioramento in tempo reale e forniscono avvisi predittivi durante tutte le fasi del soggiorno del paziente. La piattaforma di Intelligenza Artificiale di CLEW fornisce a UMass Memorial Medical Center gli strumenti per migliorare la cura del paziente e ridurre i costi prevenendo il deterioramento clinico e massimizzando le risorse sanitarie. Il modello CLEW di Intelligenza Artificiale e di modelli fisiologici personalizzati, con previsioni in tempo reale, verrà ampliata in futuro ad altri nosocomi, statunitensi o meno[9].

Eko Health –  Northwestern Medicine Bluhm Cardiovascular

Prima di abbandonare gli States esaminiamo un caso di utilizzo dell’Intelligenza Artificiale nel settore cardiovascolare, con algoritmi in grado di aiutare ad implementare screening più accurati per i pazienti. Il Northwestern Medicine Bluhm Cardiovascular Institute di Chicago è all’avanguardia nell’uso dell’Intelligenza Artificiale per lo screening cardiaco in un nuovo studio della piattaforma di monitoraggio cardiaco dell’azienda Eko Health. Lo studio ha lo scopo di dimostrare che gli stetoscopi digitali di Eko Health e gli algoritmi di Intelligenza Artificiale possono interpretare accuratamente i suoni cardiaci, aiutando il professionista a rilevare con precisione patologie cardiache e malattie valvolari. A detta del nosocomio dell’Illinois, Eko Health potrebbe identificare in maniera semplice ed economica i pazienti affetti da malattie cardiache, grazie al Machine Learning. Nonostante sia stato per due secoli l’icona della medicina, lo stetoscopio può essere uno strumento difficile da padroneggiare per gli operatori sanitari. Gli stetoscopi richiedono un orecchio altamente qualificato in grado di separare le sottili anomalie dai suoni normali con una grande precisione. Mentre nelle cliniche specializzate sono disponibili strumenti di screening cardiaco più oggettivi, come gli ecocardiogrammi, il basso costo e la velocità dell’esame con stetoscopio ne fanno lo standard per lo screening delle malattie cardiache. Il Machine Learning può combinare i dati provenienti da decine di migliaia di modelli di suoni cardiaci e fornire un alto livello di accuratezza al professionista sanitario. Sempre dal Northwestern Medicine Bluhm Cardiovascular Institute affermano che l’Intelligenza Artificiale ha sempre maggiori implicazioni potenzialmente rivoluzionarie per la pratica della cura cardiovascolare, rivelandosi come “l’incubatrice perfetta” per collaborare con le aziende che utilizzano il Machine Learning in vari contesti clinici. Eko Health afferma che se si fornissero soluzioni così innovative ai medici di medicina generale sarebbe possibile trattare i pazienti prima che sorgano i problemi. In pratica si potrebbe ridurre il divario tra il medico di medicina generale ed il cardiologo, il tutto con l’ausilio dello stetoscopio digitale. Nel frattempo Eko Health sta finanziando nuovi studi nonché sviluppando nuovi prodotti e formando i medici in questo campo attraverso la Northwestern University McCormick School of Engineering e il Master in Artificial Intelligence della Applied Science.[10]

Touch Surgery – Royal Cornwall Hospital 

Ritorniamo nel paese di Sua Maestà. Il britannico Royal Cornwall Hospital ha implementato uno strumento di Intelligenza Artificiale che consente ai professionisti sanitari di visualizzare i video chirurgici in modo sicuro e protetto. La soluzione, sviluppata in collaborazione con la connazionale Touch Surgery Enterprise, consente l’elaborazione automatica e la visualizzazione di video chirurgici per i medici e i loro team senza compromettere i dati sensibili (particolari) dei pazienti. Si tratta di un sistema di video accessibili via APP o via Web, disponibili già poco dopo l’operazione. La motivazione risiederebbe “nell’incoraggiamento all’autoriflessione”, la peer review (revisione paritaria) nonché nel miglioramento della preparazione preoperatoria.

Secondo Touch Surgery Enterprise, in un normale ambiente ospedaliero, i video chirurgici sono spesso lasciati inutilizzati a causa della grande quantità di dati sensibili (particolari) dei pazienti che essi contengono. Tuttavia con la soluzione in esame il sistema informatico del nosocomio si collega all’apparecchio di registrazione, ed esegue algoritmi di Intelligenza Artificiale in tempo reale per “censurare” tutti i frame contenenti informazioni potenzialmente identificabili sul paziente e sul medico. I video vengono poi caricati in uno spazio sicuro ospitato da Amazon Web Services e sono immediatamente disponibili per il download tramite il software Touch Surgery Enterprise. In tal modo i video sono immediatamente accessibili dai medici e dagli operatori sanitari interessati, poiché con la non identificabilità del paziente e del medico si ottiene un’immediata visibilità e fruibilità dei contenuti (i quali sono anche immediatamente condivisibili). A detta dei medici intervistati da Digital Health in tal modo aumenterebbe anche la qualità della chirurgia e dello scambio di idee, potenziando tutto il comparto sanitario. [11]

Dragon Medical One – Homerton e Oxford University Hospitals

Per l’ultimo caso britannico, esaminiamo la curiosa combinazione dell’Intelligenza Artificiale con il riconoscimento vocale in sanità. L’azienda ICT Nuance Healthcare e Microsoft stanno trasformando l’ambiente ospedaliero, puntando a creare la “stanza clinica del futuro” dove la documentazione sanitaria “si scrive da sola”. Il sistema, in grado di distinguere le singole voci, “ascolta” la conversazione tra medico e paziente prima di inserirla nella cartella clinica elettronica del paziente come nota (vocale) clinica. Il sistema mira alla semplificazione in termini di tempi e costi, consentendo al medico di concentrarsi esclusivamente sul paziente. Per raggiungere il pieno potenziale dell’Intelligenza Artificiale, è necessario un database clinico di alta qualità. Un’alta qualità dei dati contenuti nelle cartelle cliniche elettroniche, che incorpora non solo i dati clinici del paziente ma anche dati economici e genomici, nonché rischi comportamentali, spinge verso una registrazione accurata delle informazioni cliniche, che deve diventare una funzione automatica durante tutto l’iter sanitario del paziente.

Presso l’Homerton University Hospital NHS Trust di Londra, la piattaforma di riconoscimento vocale sicuro Dragon Medical One di Nuance ha contribuito a trasformare il processo di documentazione sanitaria. Le lettere ai medici di famiglia e ai pazienti, che un tempo richiedevano diverse settimane, vengono ora inviate nel giro di due-cinque giorni. I costi di trascrizione sono diminuiti e la necessità di un ulteriore supporto di segreteria per far fronte agli arretrati si è notevolmente ridotta.

Presso l’Oxford University Hospitals NHS Foundation Trust, invece, vi è una soluzione che garantisce che le cartelle cliniche elettroniche dei pazienti siano accessibili su piattaforme diverse. Il software ha trasformato il tempo medio di consegna delle lettere ai medici di base in tre giorni. Oltre ad essere più efficiente, non è più necessario esternalizzare il lavoro, così da portare a notevoli risparmi finanziari. È stato dapprima sperimentato nel reparto di nefrologia, poi nei restanti reparti del nosocomio.

Fornendo soluzioni di Intelligenza Artificiale in sanità, Dragon Medical One di Nuance sta aiutando a trasformare i servizi di assistenza, a risparmiare tempo al clinico e a realizzare risparmi finanziari vitali in un momento difficile per gli ospedali del National Health Service (NHS).[12]

L’intelligenza artificiale nel mondo sanitario sudcoreano

Myongji Hospital

Facciamo ora un salto in Corea del Sud, analizzando l’implementazione di soluzioni di Intelligenza Artificiale e Big Data in tre realtà sanitarie.

Il Myongji Hospital ha recentemente aperto il “New Horizon AI and Big Data Center”, centro innovativo preordinato alla creazione di un sistema per un’ampia gamma di aree sanitarie, tra cui l’assistenza clinica, la ricerca medica e lo sviluppo di dispositivi medici, utilizzando l’Intelligenza Artificiale sulla base dei dati clinici ottenuti dal Myongji Hospital e da altri ospedali. Il centro gestirà un progetto a due piste, con la grande piattaforma di dati che supporta la ricerca medica dei professionisti coinvolti da un lato, e il lavoro con grandi banche dati e Intelligenza Artificiale dall’altro, aprendo la strada per estendere i risultati della ricerca a campi medici più specializzati. Il Myongji Hospital gestirà il centro in collaborazione con il “Nano IT Convergence Research Institute”, inaugurato nel 2010. L’ospedale prevede di trasformare il centro appena aperto in un polo dell’Intelligenza Artificiale nonché in un grande istituto di ricerca sui dati sanitari. A tal proposito si procederà a creare modelli di dati, verrà creato un Data Warehouse clinico (CDW), il tutto con sistemi di codifica e pseudonimizzazione / anonimizzazione dei dati e delle informazioni sanitarie acquisite.[13]

Eunpyeong St. Mary’s Hospital

Al pari del già esaminato sistema britannico Dragon Medical One, anche il nosocomio cattolico sudcoreano Eunpyeong St. Mary’s Hospital ha costruito – assieme al fornitore di servizi ICT Puzzle AI – un sistema basato sull’Intelligenza Artificiale, e principalmente sull’utilizzo del “Voice Electronic Nursing Record” (Voice ENR), ovvero una cartella elettronica infermieristica alimentata da un sistema a riconoscimento vocale. Un sistema non dissimile da quello dell’Homerton University Hospital NHS Trust di Londra, peraltro pienamente integrato e sincronizzato con il sistema informativo ospedaliero. Il nosocomio ha giudicato di eccellente qualità il sistema, in termini di precisione del riconoscimento vocale nonché nella praticità d’uso. Il sistema di riconoscimento vocale dello Eunpyeong St. Mary’s Hospital’s consente agli infermieri di acquisire la documentazione infermieristica in tempo reale attraverso registrazioni vocali mentre stanno assistendo i pazienti nella loro stanza. Questo sistema consente agli infermieri di concentrarsi sull’assistenza e sulla comunicazione con i pazienti invece di dedicare tempo alla documentazione scritta. Durante la presentazione ufficiale in uno dei reparti dell’ospedale, il sistema ha convertito automaticamente la voce del personale medico e infermieristico, nonostante la quantità di rumori nel classico ambiente acustico di una stanza ospedaliera, e li ha trasmessi direttamente al sistema ospedaliero senza errori.[14]

Ajou Hospital

Terminiamo ora la disamina sudcoreana. La società di Seoul SK C&C, fornitore di servizi di ICT, consulenza e outsourcing in materia di nuove tecnologie, sta collaborando con l’ospedale universitario Ajou University Medical Center di Suwon per sviluppare (e commercializzare) una soluzione di Intelligenza Artificiale da utilizzare in ambito neurologico – principalmente, per ottenere precise immagini/scansioni cerebrali dei pazienti interessati e – nel dettaglio – per analizzare le emorragie cerebrali. Il progetto, avviato alcune settimane fa, ha come deadline la seconda metà del 2020. L’emorragia cerebrale è un tipo di sanguinamento che si verifica all’interno dei tessuti cerebrali o dei ventricoli; il sanguinamento uccide le cellule cerebrali vicine, causando danni cerebrali temporanei o permanenti. Per cercare di analizzare con precisione questa sindrome la SK C&C ha sviluppato un algoritmo che analizza le forme in base alla dimensione dei pixel. L’ospedale Ajou University Medical Center, dal canto suo, ha fornito alla società ICT immagini di circa 1400 pazienti. Essendo ancora agli albori non possiamo che attendere la conclusione della sperimentazione, con l’auspicio che la soluzione adottata dia i suoi frutti nel più breve tempo possibile. Nel frattempo sono già dieci i nosocomi sudcoreani che si sono affidati alla soluzione – precedentemente esaminata – di IBM Watson.[15]

University Health Network of Toronto

Terminiamo la nostra disamina della casistica internazionale con una soluzione di Intelligenza Artificiale in “salsa canadese”. La University Health Network (UHN) di Toronto sta collaborando con i ricercatori della University of Waterloo e del Vector Institute per sviluppare un software in grado di leggere e fornire un feedback su immagini mediche come radiografie e ultrasuoni. Gli esperti canadesi parlano di “second opinion” dell’Intelligenza Artificiale. L’innovativa tecnologia è specificamente rivolta all’assistenza di radiologi e patologi. Per Hamid Tizhoosh della University of Waterloo il progetto servirà a risolvere (o attenuare) uno dei più grandi problemi dell’imaging (diagnostica per immagini) medico, ossia la “variabilità dell’utente”. In tal caso l’Intelligenza Artificiale potrebbe aiutare a dirimere la questione al momento in cui, ad esempio, diversi radiologi forniscano diagnosi diverse guardando la stessa immagine.

Il software utilizzato nell’ambito del progetto si baserà su un programma esistente presso l’UHN chiamato Coral Review, in quale permetterà un miglioramento continuo della qualità nella pratica dei radiologi. Il lavoro preliminare sul software è già stato completato: la UHN sta già utilizzando circa 25000 immagini radiografiche di alta qualità – nonché un gruppo specializzato di radiologi – per addestrare l’algoritmo di Intelligenza Artificiale. Algoritmo, specificano a Toronto, che sarà di supporto all’attività dei professionisti sanitari coinvolti, senza sostituirsi ad essi. Spetterà sempre al radiologo e/o al patologo interpretare se ciò che “partorisce” l’algoritmo abbia senso o meno. Il progetto, in corso, durerà diciotto mesi e – in caso di successo – potrebbe essere esportato anche al di fuori del perimetro della University Health Network of Toronto, coinvolgendo l’intera provincia dell’Ontario.

Tuttavia, quello dell’utilizzo dell’Intelligenza Artificiale nel campo della diagnostica per immagini non è l’unico progetto a cui lavorano gli sviluppatori canadesi. Ad esempio, il Vector Institute ha recentemente utilizzato l’Intelligenza Artificiale per aiutare a salvare la vita di un neonato prematuro affetto da sepsi neonatale. Così come sta sviluppando un’app in grado di identificare una zecca e verificare se ci possa essere o meno un rischio di insorgenza o sviluppo della malattia di Lyme.[16]

______________________________________________________________

  1. Cfr. Google completes controversial takeover of DeepMind Health. TechCrunch 
  2. Cfr. Royal Free breached UK data law in 1.6m patient deal with Google’s DeepMind. The Guardian.
  3. Cfr. Royal Free – Google DeepMind trial failed to comply with data protection law. Information Commissioner’s Office (ICO) 
  4. Cfr. Announcing DeepMind Health research partnership with Moorfields Eye Hospital. DeepMind
  5. A parere di chi scrive, è possibile che il nosocomio si riferisse – anche se nutro dubbi – a dati pseudonimizzati (che rientrano nel GDPR). Il problema è che l’articolo parla sempre di “anonymised data”.
  6. Cfr. UCLH and DeepMind Health announce next phase in partnership. University College London Hospitals NHS Foundation Trust (UCLH) 
  7. Cfr. About IBM Watson Health.  
  8. Cfr. Cleveland Clinic, IBM Collaborate to Establish Model for Cognitive Population Health Management and Data-Driven Personalized Healthcare. Cleveland Clinic 
  9. Cfr. AI in healthcare requires a measured dose. TechHQ 
  10. Cfr. CLEW Collaborates With UMass Memorial Medical Center to Bring Predictive Analytics to Tele-ICUs. PR Newswire Association LLC 
  11. Cfr. Northwestern Medicine and Eko Partner to Improve Valvular Heart Disease Screening Using Machine Learning Algorithms. Northwestern Medicine 
  12. Cfr. Royal Cornwall Hospital deploys AI tool for secure surgical videos. Digital Health 
  13. Cfr. Top quality data is key to Artificial Intelligence reaching full potential in healthcare. HSJ 
  14. Cfr. Myongji Hospital opens new AI, big data center. Korea Biomedical Review 
  15. Cfr. Eunpyeong St. Mary’s Hospital adopts AI nursing documentation. Korea Biomedical Review 
  16. Cfr. SK C&C forges partnership with Ajou Hospital to commercialize big data-based medical AI. Aju Business Daily
  17. Cfr. Artificial intelligence to give Toronto doctors a 2nd opinion. Toronto City News 
WEBINAR
Come ottenere un approccio Agile con Intelligenza Artificiale e Machine Learning?
Big Data
Intelligenza Artificiale

@RIPRODUZIONE RISERVATA

Articolo 1 di 4