Il concetto di digital twin, al cuore della rivoluzione dell’industria 4.0, può svolgere un ruolo importante anche in ambito salute: esteso anche a entità viventi, può infatti comporre una replica digitale di un’entità umana, implementando di fatto un modello digitale del paziente guidato da dati fisici reali, acquisiti attraverso sensoristica e strumenti di indagine diagnostica avanzati, in grado di riflettere lo stato di salute di un individuo e di agire in modo preventivo nella diagnosi precoce e nel monitoraggio dell’insorgenza di eventuali patologie (El Saddik 2018).
In questo senso viene incontro la disponibilità di una grande quantità di informazioni disponibili nei sistemi sanitari moderni. La digitalizzazione del sistema sanitario, con la disponibilità di dati di salute pubblica relativi a un’ampia popolazione, rappresenta una fonte di informazione importante per addestrare dei modelli di calcolo predittivi per la salute pubblica, che possono così guidare interventi preventivi, anticipare malattie future e verificare l’impatto di programmi e politiche sanitarie adottate (Morgenstern, Buajitti et al. 2020).
Le tecniche emergenti di “data science” e di analitica predittiva sono in grado di espandere la qualità e la quantità dei dati rilevanti per la salute umana e di fornire le condizioni per meglio capire e controllare le condizioni di organi, apparati e di eventuali patologie (Pearson, Califf et al. 2020).
Abituiamoci a convivere con corpi sintetici: le tendenze 2021
Gli algoritmi di machine learning
Gli algoritmi di machine learning fanno uso di tecniche diverse che sono in grado di classificare ed estrarre modelli predittivi a partire da grandi moli di dati. Le reti neurali convolutive, ad esempio, ovvero delle strutture che simulano delle popolazioni di neuroni collegati tra loro con connessioni profonde, sono inoltre in grado di effettuare classificazioni molto fini delle immagini. Nell’ambito del “medical imaging”, quando si rendono disponibili quantità importanti di dati, è possibile addestrare questi algoritmi di AI, sfruttando la loro eccellenza nel riconoscere pattern complessi e fornire una verifica quantitativa, piuttosto che qualitativa, delle caratteristiche radiografiche delle immagini (Hosny, Parmar et al. 2018).
Industry 4.0 e digital twin
L’industria 4.0 è la tecnologia chiave dell’automazione dell’industria manifatturiera moderna che fa uso di nuovi sensori, attuatori, software di predizione intelligente e di visualizzazione dati. Il segno distintivo della rivoluzione dell’industria 4.0 sta proprio nell’utilizzo di algoritmi per la modellazione e predizione avanzata sulla base di sensori, in grado di fornire in modo proattivo informazioni sullo stato di salute di una macchina (Bagaria, Laamarti et al. 2020).
Al cuore di questa rivoluzione troviamo proprio il concetto del “digital twin”, ovvero il “gemello digitale” una replica digitale di un sistema fisico in grado appunto di simularne e predirne lo stato e l’evoluzione, la tecnologia centrale del paradigma Industria 4.0, così come evidenziato nel “white paper “ di Deloitte[1].
Ma la visione complessiva è molto più ampia, se ne è parlato di questo recentemente nell’ambito del webinar “L’intelligenza artificiale nella diagnostica avanzata”[2] organizzato dal centro di competenza del MISE Artes 4.0. A riguardo di questo punto, nel suo intervento il professor Vitoantonio Bevilacqua precisava che l’odierna medicina di precisione fa uso di informazioni multifattoriali acquisite da diversi domini. In questo senso le scienze omiche, ovvero “quelle discipline che utilizzano tecnologie di analisi che consentono la produzione di informazioni (dati), in numero molto elevato e nello stesso intervallo di tempo, utili per la descrizione e l’interpretazione del sistema biologico” (def. Treccani), consentono di disporre di dati che provengono da diversi domini: il dominio genomico, il dominio proteomico, ma anche il dominio dell’estrazione quantitativa di una moltitudine di caratteristiche che possono essere derivate dall’imaging multimodale, la radiomica e la radiogenomica che possono esser usate per migliorare la definizione del quadro clinico personalizzato.
I vantaggi dell’AI nel monitoraggio delle malattie
Tutti questi dati possono essere inoltre integrati con ulteriori dati provenienti anche dalla vita quotidiana, grazie alla disponibilità di sensori distribuiti e indossabili, come caratteristiche del comportamento fisico e sociale della persona e dell’ambiente in cui vive, per consentire una predizione precoce del rischio associato a stili di vita collegati allo stato di salute della persona.
Alcuni di questi algoritmi sono in grado di gestire dati molto diversi ed eterogeni tra loro, si pensi ai “Random Tree Forest”, degli algoritmi in grado di generare una foresta di alberi decisionali che consentono di effettuare delle classificazioni raffinate.
Attraverso queste tecniche ad esempio, dai soli dati estratti da un braccialetto con un accelerometro indossato sul polso si è in grado di andare a classificare con accuratezza lo stile di vita della persona (Staudenmayer, He et al. 2015). Ad esempio la progressione della malattia di Alzheimer può essere monitorata con algoritmi di machine learning in grado di dare previsioni accurate sulla base dei dati di imaging (Huang, Jin et al. 2016).
La diagnosi è infatti un processo multidisciplinare che richiede informazioni da più domini, con test clinici, di imaging, genetici, inclusi anche test specifici disciplinari se necessari, quali test neuropsicologici. Gli algoritmi di intelligenza artificiale possono applicare tecniche di machine learning a grandi dataset di popolazione affetta da patologie, di modo tale da poter apprendere dai dati senza nessun modello statistico a priori, (Bhaskar, Bradley et al. 2020).
Per questo motivo alcune analisi economiche evidenziano come l’uso di applicazioni di intelligenza artificiale possano portare a dei risparmi consistenti nei sistemi sanitari, tanto che nei soli Stati Uniti si stima un risparmio annuale di 150 miliardi di dollari a partire dal 2026 [3].
Questo perché l’AI mostra chiari vantaggi rispetto al ragionamento umano quando si ha a che fare con il ragionamento analitico ed il “problem solving” in presenza di grandi quantità di dati (Bhaskar, Bradley et al. 2020).
Va dall’altro lato però considerato che l’uso dell’AI in abito sanitario vada controllato e mitigato perché non vada a ridurre la competenza fondamentale e vitale del medico. Ci aspettiamo quindi un prossimo futuro in cui le tecnologie di intelligenza artificiale possano aiutare ed assistere l’intelligenza Umana a svolgere compiti ad elevata complessità, per un miglioramento ulteriore delle capacità umane stesse.
Bibliografia
Bagaria, N., F. Laamarti, H. F. Badawi, A. Albraikan, R. A. M. Velazquez and A. El Saddik (2020). Health 4.0: Digital Twins for Health and Well-Being. Connected Health in Smart Cities, Springer: 143-152.
Bhaskar, S., S. Bradley, S. Sakhamuri, S. Moguilner, V. K. Chattu, S. Pandya, S. Schroeder, D. Ray and M. J. F. i. p. h. Banach (2020). “Designing futuristic telemedicine using artificial intelligence and robotics in the COVID-19 era.” 8: 708.
El Saddik, A. J. I. m. (2018). “Digital twins: The convergence of multimedia technologies.” 25(2): 87-92.
Hosny, A., C. Parmar, J. Quackenbush, L. H. Schwartz and H. J. J. N. R. C. Aerts (2018). “Artificial intelligence in radiology.” 18(8): 500-510.
Huang, L., Y. Jin, Y. Gao, K.-H. Thung, D. Shen and A. s. D. N. I. J. N. o. aging (2016). “Longitudinal clinical score prediction in Alzheimer’s disease with soft-split sparse regression based random forest.” 46: 180-191.
Morgenstern, J. D., E. Buajitti, M. O’Neill, T. Piggott, V. Goel, D. Fridman, K. Kornas and L. C. J. B. o. Rosella (2020). “Predicting population health with machine learning: a scoping review.” 10(10): e037860.
Pearson, T. A., R. M. Califf, R. Roper, M. M. Engelgau, M. J. Khoury, C. Alcantara, C. Blakely, C. A. Boyce, M. Brown and T. L. J. J. o. t. A. C. o. C. Croxton (2020). “Precision Health Analytics With Predictive Analytics and Implementation Research: JACC State-of-the-Art Review.” 76(3): 306-320.
Staudenmayer, J., S. He, A. Hickey, J. Sasaki and P. J. J. o. a. p. Freedson (2015). “Methods to estimate aspects of physical activity and sedentary behavior from high-frequency wrist accelerometer measurements.” 119(4): 396-403.
- https://www2.deloitte.com/us/en/insights/focus/industry-4-0/digital-twin-technology-smart-factory.html ↑
- https://blog.artes4.it/webinar-artes-intelligenza-artificiale-scuola-sant-anna ↑
- Accenture. Why Artificial Intelligence Is the Future of Growth. (2020). Available online at: https://www.accenture.com/us-en/insight-artificial-intelligence-future-growth (accessed September 19, 2020). ↑
