Medicina e innovazione: il ruolo chiave dell'AI nel miglioramento delle cure sanitarie

La possibilità di elaborare e interpretare grandi volumi di dati, applicata a molteplici processi e casi d’uso, rende l’AI un alleato fondamentale per migliorare le diagnosi, ottimizzare i trattamenti e prevedere le future esigenze sanitarie.

Nel panorama tecnologico contemporaneo, poche innovazioni sono state così potenti e trasformative come l’intelligenza artificiale (AI). Tra i molti settori in cui l’IA si sta rivelando un rivoluzionario mezzo di innovazione, c’è senz’altro la medicina.

L’adozione dell’AI nella medicina offre una gamma molto vasta di applicazioni, ciascuna delle quali può essere personalizzata e adattata per soddisfare le esigenze specifiche di ogni disciplina e processo medico.

L’AI sta ridefinendo il modo in cui i medici e i ricercatori affrontano la cura, le diagnosi e l’assistenza ai pazienti e quello in cui i cittadini accedono a cure e percorsi più efficaci.

Con quali soluzioni pratiche l’intelligenza artificiale potrà favorire l’evoluzione dei processi sanitari?

Al centro dell’intelligenza artificiale c’è il dato. E in un settore come quello sanitario, dove la ricerca, l’analisi e l’interpretazione dei dati sono fondamentali per fornire prestazioni ottimali, l’AI è uno strumento senza eguali.

La capacità di elaborare e interpretare grandi volumi di dati con precisione e velocità offre nuove possibilità per migliorare le diagnosi, ottimizzare i trattamenti in modo più personalizzato e persino prevedere le future esigenze sanitarie.

Per questo gli strumenti di AI sviluppati da Almawave per il settore sanitario sono progettati mettendo sempre i dati al centro.

Che si tratti di raccoglierli e valorizzarli, di utilizzarli per fare previsioni o di trasformarli in indicazioni pratiche in tempo reale, i dati sono l’elemento fondante intorno al quale ruotano prodotti e soluzioni innovative.

Di seguito vediamo come Almawave gestisce e valorizza i dati, in ogni fase: trattamento del dato, ampliamento, valutazione e trasformazione.

In ambito sanitario, la riservatezza e la protezione dei dati dei pazienti sono di vitale importanza. Allo stesso tempo, è importante avere la possibilità di utilizzare quei dati per supportare le analisi e le decisioni mediche. Le soluzioni di Almawave puntano a conciliare questi aspetti in totale sicurezza.

• Pseudonimizzazione e sicurezza

La soluzione di anonimizzazione e pseudonimizzazione dei dati sanitari di Almawave garantisce massima conformità alle normative sulla privacy e permette un uso affidabile e completo del dato clinico per scopi di ricerca e sviluppo.

La pseudonimizzazione sostituisce i nomi reali con pseudonimi in modo completamente automatizzato e robusto.

Nel caso di referti medici redatti in linguaggio naturale, ad esempio, questi vengono anonimizzati e analizzati, per essere utilizzarli anche in ulteriori elaborazioni.

Grazie a un modello di Named Entity Recognition (NER) basato su BERT, lo strumento identifica i nomi dei pazienti e altre informazioni sensibili e li sostituisce in modo automatico con altri pseudonimi verosimili generati dal sistema. Questo aiuta nella riconciliazione dei dati del percorso paziente, oltre a consentire sempre l’applicazione di sistemi di comprensione naturale del test (NLP).

• Federazione e segregazione dei dati

La federazione dei dati permette di combinare e analizzare informazioni provenienti da diverse fonti senza la necessità di centralizzare i dati in un unico ambiente, mantenendoli quindi separati. Allo stesso modo, l’intelligenza artificiale federata consente agli algoritmi di essere addestrati su più dispositivi decentralizzati o server che possiedono dati locali, senza che questi dati siano trasferiti a un server centrale.

Questo è particolarmente utile in ambito medico, dove i dati possono essere distribuiti tra vari istituti e sistemi, garantendo però sempre la massima protezione dei dati sensibili.

Per migliorare l’affidabilità e la completezza delle risposte fornite dall’intelligenza artificiale, è essenziale ampliare e diversificare le fonti di dati utilizzate. Di seguito sono presentate due soluzioni innovative che affrontano questa sfida.

• Survey paziente

La soluzione Survey Paziente è uno strumento per automatizzare le procedure di survey e questionari per le informazioni riferite da paziente e, al contempo, renderle strutturate. Questo permette di aumentare la base dati raw/strutturati; automatizzare la somministrazione e la gestione di PROMs/PREMs tramite il canale vocale; navigare e filtrare in modo automatizzato i dati recuperati; creare algoritmi e strumenti predittivi a valle che considerino aspetti quali QoL e relativa visione paziente-centrica.

• Data augmentation da fonti non strutturate

In Sanità molte informazioni sono per definizione non strutturate. Referti, storia clinica del paziente, famigliarità, terapia, sono basati su valutazioni in cui il linguaggio è per definizione non strutturato. Poter rendere facilmente consultabile questa parte rappresenta un grande apporto al clinico anche in ottica di possibili ulteriori elaborazioni.

All’interno del mondo AI, il Natural Language Processing (NLP) è l’insieme di tecniche e tecnologie che si muovono esattamente in questo ambito, la gestione del Linguaggio Naturale. Quest’area ha visto nel recentissimo passato un grande salto d’innovazione tecnologica.

I cosiddetti LLM (Large Language Models) hanno introdotto quella che ha preso il nome di intelligenza artificiale generativa. Uno strumento estremamente potente di comprensione e relazione, ma con alcune caratteristiche limitanti, soprattutto in ambiti critici o sensibili. Non sempre, infatti, forniscono risposte affidabili o verificate, perché spesso non sono in grado di integrare informazioni da fonti diverse rispetto ai dati di addestramento.

L’approccio «composite» di Almawave, integra diverse tecnologie e metodologie, per massimizzare il risultato tenendo fermo il punto della sicurezza della risposta.

Uno degli strumenti per superare questi limiti è la Retrieval Augmented Generation (RAG), che permette di accedere a molteplici fonti di dati aggiuntive, rendendo le risposte più complete e superando i limiti delle tecnologie basate esclusivamente su modelli di linguaggio (LLM).

La valutazione accurata dei dati clinici è fondamentale per migliorare le diagnosi e i trattamenti. Le soluzioni di Almawave sfruttano tecniche avanzate di intelligenza artificiale per estrarre, organizzare e analizzare le informazioni cliniche, consentendo una gestione più efficace e integrata dei dati.

• Allargamento ed espansione delle fonti

Le soluzioni di Almawave sfruttano tecniche di elaborazione del linguaggio naturale (NLP) per strutturare e classificare i dati contenuti nei documenti clinici. L’obiettivo è quello di estrarre informazioni utili dai referti classificando le informazioni rilevanti contenute in essi. Questo consente una più facile consultazione e integrazione delle informazioni cliniche, migliorando la precisione e l’efficacia delle diagnosi e dei trattamenti.

Ad esempio, il Sistema di Estrazione Dati da Referti Radiologici, attraverso l’uso di Named Entity Recognition (NER), estrae informazioni cruciali dai referti di radiologia, comprese l’anagrafica del paziente, l’anamnesi, le osservazioni cliniche dai test strumentali, i risultati della visita e le considerazioni del clinico.

Questo permette di unire a queste informazioni in modo automatico strumenti di nomenclature standard (ICD, SNOMED, LOINC, …), facilitando comprensione e interoperabilità tra strumenti, ma anche tra professionisti diversi.

• CDSS e grafo di conoscenza per individuare correlazioni e percorsi

Clinical Decision Support System (CDSS) è la soluzione AI che, partendo da dati ospedalieri standard e legati al patient journey, consente la creazione e l’esposizione di algoritmi predittivi in ambito clinico per supporto alle decisioni nella pianificazione del percorso di cura e terapia grazie a strumenti data-driven con tecnologia AI.

Al suo interno è disponibile un clinical viewer, il componente che permette di usufruire ed esplorare tutto il dato e le informazioni disponibili, sia provenienti da fonti ospedaliere, come referti, dati anagrafici e clinici, sia dati sintetici, come gli indicatori precedentemente trattati.

L’intera base dati è strutturata sotto forma di knowledge graph. Le informazioni sono
rappresentate attraverso nodi e archi, opportunamente standardizzati secondo, l’ontologia MeSH, rendendo il dato standard. Il grafo facilita la lettura e la valutazione del dato, poiché aiuta a visualizzare chiaramente le relazioni e le connessioni tra le diverse informazioni, permettendo un’analisi più intuitiva e immediata delle correlazioni cliniche.

• LLM per sintesi paziente

Sempre all’interno del CDSS, grazie alle tecnologie NLP alla base della soluzione Almawave citate prima e applicate alle diverse fonti dati, un modello di linguaggio fondazionale (LLM) organizza le informazioni in una sintesi clinica fruibile dagli operatori. Questo strumento è accessibile anche da remoto e aiuta i clinici a risparmiare tempo, supportandoli nel processo decisionale, migliorando l’accuratezza clinica e la comprensione della storia del paziente.

Il patient summary è particolarmente utile nei board clinici, poiché fornisce una visione chiara e concisa delle informazioni rilevanti, facilitando la discussione multidisciplinare e la pianificazione delle cure.

L’ultimo e fondamentale passaggio che può abilitare l’AI in ambito medico è la trasformazione del dato in risposte concrete che possano guidare soluzioni personalizzate in base alle necessità dei pazienti. Nuovi KPI da rilevare in tempo reale, analisi predittive e sintesi più precise dello stato dei pazienti sono le soluzioni di Almawave per agire in questa direzione.

• Indicatori innovativi per un nuovo approccio data-driven ai percorsi di cura

L’intelligenza artificiale applicata ai big data, permette di elaborare nuovi indicatori complessi (Clinical Stability Index) di supporto ai medici per fornire le terapie più opportune in base ai singoli pazienti, in tempo reale. Questo approccio permette di sintetizzare quante più informazioni in uno strumento predittivo, veloce e di facile comprensione e uso per i clinici.

Da questo punto di vista, è esemplificativa l’esperienza del progetto RicovAI di Almawave.

Si tratta di un sistema basato su Intelligenza Artificiale applicato al monitoraggio domiciliare per pazienti affetti da SARS-CoV2. La soluzione ha l’obiettivo di stratificare il rischio di deterioramento e di bisogno di cure dei pazienti in modo predittivo tramite l’introduzione di strumenti basati su AI.

Il KPI calcolato in questo contesto è un indicatore:

1. Prognostico: l’indicazione di stabilità è rispetto a un futuro trend;
2. Explainable e trasparente: l’indicatore esprime le variabili che portano a una determinata predizione, permettendo al clinico di verificarla e di strutturare e valutare un intervento motivato e correlato a quelle variabili (augmented decision);
3. Sintetico: più dati ci sono più sarà completo l’indicatore, a parità di risorse necessarie (approccio one-to-many);
4. Di stratificazione: permette di personalizzare percorso e azioni rispetto allo specifico paziente (cura personalizzata).

• Explainability

Un aspetto cruciale per l’adozione dell’intelligenza artificiale in medicina è l’explainability, ovvero la capacità di comprendere e interpretare i risultati generati dagli algoritmi di AI.

Le soluzioni di Almawave puntano non solo a fornire predizioni accurate in campo medico, ma anche processi decisionali trasparenti. Si collocano in questo contesto i già citati grafi della conoscenza, che permettono di visualizzare le interrelazioni tra diversi dati clinici, offrendo una rappresentazione chiara e intuitiva delle correlazioni e dei percorsi diagnostici e terapeutici.
L’explainability viene declinata legando una predizione alle variabili e alle fonti, permettendo, oltre che una verifica e una comprensione del suggerimento, anche di mirare e personalizzare l’intervento rispetto alla variabile specifica con terapie o azioni causalmente collegate.

• Predizioni olistiche estese

Addestrare i sistemi di intelligenza artificiale su basi dati allargate che comprendono dataset del paziente più ampi, permette ai medici di accedere a sintesi e predizioni che vanno oltre il dato puntualmente clinico e di adottare un approccio più olistico ai trattamenti proposti. L’obiettivo è quello di migliorare non solo le terapie a breve termine, ma la qualità della vita a lungo termine.

Il progetto RicovAI già citato, ad esempio, è un modello che può facilmente applicarsi nel prossimo futuro a molteplici ambiti della sanità.

Anche il progetto OncologIA incarna perfettamente questo approccio. OncologIA rappresenta un sistema di diagnosi avanzata basato su tecnologie di Intelligenza Artificiale e strumenti quali il Digital Twin (Identità Digitali Sanitarie) in grado di servire reti oncologiche territoriali e supportare il personale medico nell’individuazione di una terapia personalizzata per il paziente, nella predizione di possibili sue complicanze e nella migliore strategia di follow up in funzione dei servizi territoriali a disposizione.

OncologIA sperimenta un gemello digitale della persona, consentendo a medici e caregiver di disporre costantemente di un quadro clinico completo e integrato sullo stato di salute dell’assistito.

I principali strumenti e attività realizzati all’interno di questo progetto sono:

• Arricchimento base di dati tramite tecniche NLP sulle fonti dati non strutturate, semplificando la fruizione dell’informazione e aumentando la knowledge base su cui fare elaborazione.
• Strumenti in linguaggio naturale per raccogliere dati riferiti al paziente e renderli strutturati e analizzabili (conversational PROMs)
• Clinical Decision Support System (CDSS) basato su fonti di dati eterogenee che aiuti i clinici nelle decisioni grazie a indicatori sintetici che permettano il confronto e l’aderenza rispetto a protocolli e linee guida.

Vuoi saperne di più delle soluzioni Almawave per il settore Healthcare?