Di Chiara Di Lucente

Le tecnologie di intelligenza artificiale promettono di rivoluzionare il mondo della medicina: ma di cosa si tratta e quali sono i principali limiti?

Chatbot che forniscono informazioni sanitarie, supporti per diagnosi che identificano il miglior trattamento possibile per ogni paziente, sistemi per identificare i farmaci più promettenti su cui investire nella ricerca clinica e molto altro: l’intelligenza artificiale è ormai una realtà consolidata in molti settori della vita quotidiana, e il campo della medicina non fa eccezione. L’impiego di strumenti di intelligenza artificiale, in particolare di tecniche di machine learning e deep learning, infatti, ha permesso di ottenere diversi progressi in ambito medico, dall’elaborazione di grandi quantità di dati alla formulazione di diagnosi sempre più precise e personalizzate: i risultati degli studi clinici che misurano l’affidabilità, la sicurezza e l’efficacia di questi strumenti sono spesso incoraggianti. Tuttavia, l’impiego di queste tecnologie deve avvenire in modo responsabile e dopo una rigorosa validazione scientifica, perché i benefici offerti dall’intelligenza artificiale siano accompagnati da una garanzia di sicurezza ed efficacia per i pazienti. Inoltre, emerge sempre di più la necessità di considerare le questioni etiche e legali, soprattutto quelle legate all’interazione del personale sanitario con gli algoritmi dell’intelligenza artificiale. In questo articolo esploreremo le potenzialità di questa tecnologia in medicina, ma anche i limiti e le sfide che devono essere affrontate per utilizzarla nel modo migliore possibile.

Cos’è l’intelligenza artificiale e un po’ di storia

Facciamo un passo indietro: sebbene esistano varie definizioni e diverse sfumature di significati, in generale con intelligenza artificiale ci si riferisce alla capacità di una macchina di imitare il comportamento intelligente umano. Questo termine in realtà comprende molte tecnologie informatiche; tuttavia, quando si parla del campo medico, ci si può soffermare sulle seguenti branche:

  • Apprendimento automatico o machine learning, che comprende algoritmi e modelli che permettono ai computer di imparare e migliorare la loro performance senza essere stati esplicitamente programmati per risolvere quel problema specifico, modificando la loro elaborazione grazie alle informazioni appena acquisite. L’apprendimento automatico, infatti, si basa sull’analisi dei dati e sull’individuazione di pattern e relazioni contenuti in essi, in modo da creare un modello che può poi essere utilizzato per prendere decisioni o per automatizzare processi.
  • Reti neurali artificiali, ovvero un modello matematico in grado di elaborare diversi set di dati (in cui si verificano complesse relazioni tra i dati in entrata e i dati in uscita) che imita il modo in cui, nel cervello umano, i neuroni si inviano segnali.
  • Deep learning, una branca dell’apprendimento automatico che utilizza reti neurali artificiali per apprendere rappresentazioni sempre più complesse dei dati in entrata, operando attraverso processi simili al funzionamento del cervello umano. In questo modo, un algoritmo di apprendimento automatico è in grado di elaborare dati in modo gerarchico e automatico, identificando strutture e pattern sempre più sofisticati.
  • Image processing, il processo matematico che migliora un’immagine per aumentarne la definizione, recuperare informazioni o per misurare pattern specifici.

La medicina è sempre stata identificata come una delle aree di applicazione più promettenti per l’intelligenza artificiale, fin dagli anni ’70 del secolo scorso, quando sono stati sviluppati i primi sistemi informatici di supporto decisionale clinico cosiddetti rule-based, ovvero che generavano output predefiniti sulla base di regole programmate e aggiornate di volta in volta dagli esseri umani. Questi sistemi erano in grado di interpretare gli ECG, diagnosticare malattie, scegliere trattamenti appropriati, fornire interpretazioni del ragionamento clinico e assistere i medici nella generazione di ipotesi diagnostiche in casi di pazienti complessi, ma erano molto costosi da costruire e mantenere funzionanti, richiedendo espressioni esplicite di regole decisionali e aggiornamenti scritti da esperti, facevano fatica a integrare conoscenze scritte da diversi esperti e soprattutto le loro prestazioni erano limitate dalla conoscenza medica iniziale.

Tuttavia, negli ultimi anni, grazie all’avvento degli algoritmi di machine learning e di deep learning, la maggiore potenza di calcolo dei sistemi informatici, la crescente disponibilità di dati sanitari e il rapido progresso delle tecniche di analisi, sembra che l’intelligenza artificiale stia portando a un vero e proprio cambio di paradigma dell’assistenza sanitaria. Man mano che i modelli di machine-learning continuano a migliorare, infatti, c’è una crescente sensazione che queste tecnologie potrebbero rivoluzionare la pratica medica. Vediamo in che modo.

Per che cosa viene utilizzata

Una delle aree mediche in cui l’intelligenza artificiale sta avendo un impatto significativo è la diagnostica, soprattutto nel campo della radiologia e dell’imaging in generale. Più gruppi di ricerca, infatti, hanno sviluppato e testato algoritmi per l’elaborazione di immagini mediche (come radiografie, tomografie e scansioni di risonanza magnetica) in modo da ottenere diagnosi più rapide e accurate, che a loro volta possano migliorare la prognosi dei pazienti, oltre a poter rilevare le malattie in fase precoce. In particolare, un campo in piena espansione è quello dell’oncologia: per esempio, nella rilevazione del cancro ai polmoni, uno studio ha dimostrato che gli algoritmi di intelligenza artificiale sono riusciti fare diagnosi con accuratezza e con maggiore sensibilità rispetto a un essere umano, prevedendo con precisione la prognosi dei pazienti e quindi favorendo la scelta del corretto trattamento. Per quanto riguarda la diagnosi del tumore alla mammella, secondo uno studio del 2020 pubblicato sulla rivista Nature, un sistema di intelligenza artificiale ha portato a una riduzione del 5,7% e del 1,2% (rispettivamente negli Stati Uniti e nel Regno Unito) dei falsi positivi e del 9,4% e del 2,7% dei falsi negativi, rispetto alla valutazione dei radiologi, aumentando la sensibilità del 11,5% rispetto all’operato dei medici. E ancora, in dermatologia la diagnosi e la classificazione di lesioni cutanee si basa principalmente su immagini visive, quindi l’intelligenza artificiale ha mostrato risultati promettenti; in cardiologia, l’intelligenza artificiale può fornire una diagnosi e valutazione della funzione cardiaca più veloce e accurata tramite l’interpretazione automatica di esami come ECG ed ecocardiografie. Nella gastroenterologia, l’intelligenza artificiale può aiutare i medici nella rilevazione di patologie attraverso l’elaborazione di immagini endoscopiche dello stomaco, del duodeno e del colon.

Oltre alla diagnostica, l’intelligenza artificiale sembra uno strumento promettente anche per migliorare i trattamenti medici, analizzando grandi quantità di dati di pazienti e malattie per identificare i fattori di rischio, le terapie più efficaci e predire il successo di un trattamento specifico. Questo può aiutare i medici a personalizzare i trattamenti per ogni paziente, migliorando le probabilità di successo della terapia. Anche la gestione dei dati sanitari sta diventando più efficiente grazie all’intelligenza artificiale: queste tecnologie, per esempio possono analizzare i dati dei pazienti e trovare modelli che aiutino a prevenire malattie o a individuare i pazienti ad alto rischio di una particolare patologia in maniera efficace.

Alcune criticità

Sebbene le tecnologie di intelligenza artificiale stiano attirando notevoli attenzioni nella ricerca medica, esse sollevano diversi dubbi e criticità, mentre l’implementazione nella vita reale sta ancora incontrando diversi ostacoli. Uno di questi è la mancanza di standard per valutare la sicurezza e l’efficacia dei sistemi di intelligenza artificiale: in particolare, molte revisioni sistematiche e meta-analisi hanno evidenziato i limiti metodologici degli studi sull’efficacia e la sicurezza dei sistemi di intelligenza artificiale condotti finora. Molti di questi studi, infatti, sono retrospettivi e basati su set di dati precedentemente assemblati, mentre pochi sono prospettici, condotti in contesti clinici reali e pochissimi sono quelli basati su studi clinici controllati randomizzati. Prima di essere utilizzati in ambito sanitario, i sistemi di intelligenza artificiale dovrebbero passare attraverso una rigorosa validazione scientifica, basata su studi metodologicamente solidi che dimostrino non inferiorità o superiorità e maggior efficienza economica rispetto al percorso diagnostico e decisionale convenzionale. Per superare queste difficoltà, la Food and drug administration (Fda) statunitense ha fatto il primo tentativo di fornire alcune linee guida per la valutazione dei sistemi di intelligenza artificiale, che al momento sono regolamentati in modo approssimativo, fintanto che i dispositivi intendono solo per il benessere generale e presentano un basso rischio per gli utenti. Inoltre, questi documenti chiariscono le regole per la progettazione delle sperimentazioni cliniche quando si vuole testare l’efficacia e la sicurezza dei sistemi di intelligenza artificiale.

Un altro ostacolo è quello rappresentato dallo scambio e la condivisione di dati: per funzionare bene, i sistemi di intelligenza artificiale devono essere addestrati continuamente dai dati degli studi clinici. Tuttavia, una volta che un sistema di intelligenza artificiale viene implementato dopo l’addestramento con i dati storici, è necessario continuare a fornire dati sempre aggiornati, e l’attuale ambiente sanitario non fornisce incentivi per la condivisione dei dati in forma aperta. Infine, sottolineano gli esperti, è necessario non dimenticare le questioni etiche e legali inerenti alla responsabilità professionale del personale sanitario nell’interazione con gli algoritmi. In sintesi, sebbene l’intelligenza artificiale prometta di rivoluzionare il mondo della medicina, è importante affrontare le preoccupazioni il suo uso solleva e garantire che sia utilizzata in modo responsabile, di concerto con i medici, al fine di migliorare sempre di più la salute dei pazienti. 

Fonti:
  • Santoro E. Intelligenza artificiale in medicina: siamo pronti? [Artificial intelligence in medicine: are we ready?]. Recenti Prog Med. 2023 Mar;114(3):142-144. Italian. doi: 10.1701/3981.39636. PMID: 36815415.
  • Jiang F, Jiang Y, Zhi H, Dong Y, Li H, Ma S, Wang Y, Dong Q, Shen H, Wang Y. Artificial intelligence in healthcare: past, present and future. Stroke Vasc Neurol. 2017 Jun 21;2(4):230-243. doi: 10.1136/svn-2017-000101. PMID: 29507784; PMCID: PMC5829945.
  • Yu KH, Beam AL, Kohane IS. Artificial intelligence in healthcare. Nat Biomed Eng. 2018 Oct;2(10):719-731. doi: 10.1038/s41551-018-0305-z. Epub 2018 Oct 10. PMID: 31015651.
  • McKinney, S.M., Sieniek, M., Godbole, V. et al. International evaluation of an AI system for breast cancer screening. Nature 577, 89–94 (2020). https://doi.org/10.1038/s41586-019-1799-6
  • Mintz, Yoav; Brodie, Ronit (2019). Introduction to artificial intelligence in medicine. Minimally Invasive Therapy & Allied Technologies, (), 1–9. doi:10.1080/13645706.2019.1575882