“AI 4 the health value chain”: update sulle soluzioni AI per la medicina

Seguire l’ultimo evento virtuale “AI 4 the health value chain” del progetto AI4Diag con la partecipazione di cinque tra le più innovative health tech SMEs sul mercato, ci ha permesso di avere aggiornamenti sullo stato dell’arte delle applicazioni dell’intelligenza artificiale in ambito biomedico e di medical diagnostics.

D’altronde la sistematica condivisione di update sulle tecnologie emergenti è prassi naturale in un’azienda come JSB Solutions che ha nella sperimentazione e nell’innovazione due valori fondanti della sua mission. Fare cross fertilisation con metodologie attigue a quelle su cui siamo focalizzati (blockchain in primis) apre la strada a nuove idee e al miglioramento dei nostri servizi per il mondo pharma e life science.

Big data, natural language processing, machine learning, reti neurali e deep learning sono le facce diverse di una metodologia computazionale che sta avendo un impatto enorme sull’intera catena del valore in ambito medico e sanitario.

Il loro sviluppo sarà determinante nei processi che vanno dalla ricerca di base alla produzione di farmaci, dagli affari regolatori alla diagnostica; influirà sempre di più nelle sperimentazioni sui pazienti degli studi clinici come nella medicina predittiva; nelle scelte terapeutiche fino al follow-up di malattie e cure.

Machine learning e nuove sfide

Negli ultimi anni, lo sviluppo delle tecniche di machine learning ha reso possibile affrontare per la prima volta problemi complessi che non potevano essere risolti con le metodologie di programmazione tradizionali, basate su elenchi di regole formulate ad hoc, fondate su un approccio deterministico e probabilistico, non progettate per reagire con elasticità alle eccezioni.

Con il machine learning l’approccio diviene di tipo euristico: nella soluzione dei problemi l’algoritmo non segue più un percorso predeterminato, ma acquisisce gli strumenti per imparare sulla base di dati empirici, in modo da maturare esperienza e generare conoscenza.

Le principali sfide del presente consistono nel cercare relazioni tra enormi set di dati non strutturati per trovare correlazioni utili a determinare le scelte terapeutiche; nell’affinare l’analisi predittiva per lo sviluppo della medicina personalizzata; nel facilitare il monitoraggio del paziente e l’erogazione di medicina di precisione su larga scala secondo standard convalidati.

In questo periodo particolare l’intelligenza artificiale sta avendo ad esempio ampia applicazione nell’analisi predittiva e nella diagnostica dei pazienti Covid-19, un po’ in tutto il mondo.

Pandemia a parte, accanto alle predictive analytics, l’AI trova i suoi più recenti campi d’applicazione anche nella genomica, per modellare le sequenze genetiche, e nella telemedicina (teleassistenza e tele-riabilitazione, con l’ausilio di sensori indossabili).

Lo stato dell’arte delle soluzioni AI per diagnostica e non: alcuni esempi

Al di là di questo, non sono mancati gli esempi pratici degli speaker dell’evento su soluzioni AI nei più diversi ambiti della medicina, basate per lo più sul processamento di immagini e sul natural language processing, mentre sono già moltissime le applicazioni biomediche dell’intelligenza artificiale validate e approvate da FDA. Tra i casi più interessanti riportati negli speech:

Molte di queste informazioni senza gli algoritmi di AI e Machine Learning risulterebbero inaccessibili, in quanto i dati da cui si estraggono vengono spesso registrati nelle cartelle cliniche elettroniche (EHR) solo come testo libero o in formato non strutturato (fotografie, ecografie, TAC)