Skip to content

Intelligenza artificiale e “big data” in ambito medico: prospettive, opportunità, criticità

Negli ultimi anni le informazioni digitali di tutto il mondo sono più che raddoppiate e questa tendenza è destinata ad aumentare in modo esponenziale generando enormi moli di dati elettronici: i big data. La medicina è uno dei principali protagonisti della crescita esponenziale dei big data, a motivo di quattro importanti fenomeni: la digitalizzazione della diagnostica per immagini, la reportistica digitale in sostituzione delle cartelle cartacee, lo sviluppo di biotecnologie impiegate nel campo delle cosiddette scienze “omiche”, l’esplosione del cosiddetto IoMT (internet of medical things). Necessaria a questo punto una sintesi e un glossario in tema di tecnologie di intelligenza artificiale e medicina, e una revisione sulle principali criticità che il loro utilizzo può generare. AMD ha provato a fare il punto con il documento Intelligenza artificiale e big data in ambito diabetologico. La prospettiva di AMD pubblicato nel 2018. Approfittando dell’esperienza acquisita in occasione della sua stesura, abbiamo intervistato sul tema Alberto De Micheli, Giacomo Guaita e Paola Ponzani, tra gli autori del documento.

a cura di Miryam Ciotola per il gruppo ComunicAzione


Alberto De Micheli, considerato gli argomenti trattati nel documento, quanto è stato complesso sistematizzare queste tematiche?
La difficoltà è nata dall’affrontare un tema nuovo e diverso rispetto alle abituali competenze dei medici, tradizionalmente cliniche o fisiopatologiche, più recentemente anche organizzative, ma molto lontane dalla logica delle macchine pensanti. In tale prospettiva è stato indispensabile e fondamentale la collaborazione di esperti della materia, a cui siamo molto grati per il rispettivo contributo.

Quali le fasi del processo?
L’iter è stato per fasi. Prima fase: creare prioritariamente un glossario indispensabile, che sintetizzasse con chiarezza non equivocabile e soprattutto in termini pratici, quello di cui stavamo parlando. Seconda fase: l’analisi e il tentativo di valutare le prospettive, i vantaggi e i possibili limiti dell’utilizzo delle diverse tecniche nell’ambito medico e anche più specificamente nell’ambito della gestione del diabete e delle patologie croniche. Terza fase: la riflessione critica specifica sugli aspetti conoscitivi, applicativi ed etici, fortunatamente supportata da una vasta letteratura, dato il grandissimo interesse suscitato nel mondo medico dalle prospettive aperte dall’intelligenza artificiale.

Paola Ponzani, uno dei temi cardine dell’argomento è la refertazione automatica. Quali sono i benefici?
Gli ambiti di applicazione dell’intelligenza artificiale in medicina sono molteplici, dalla ricerca al campo della gestione, dalla cura del paziente alla diagnostica. Ed è proprio in quest’ultima area che i software di intelligenza artificiale già oggi permettono di ottenere grandi benefici. Il deep learning ad esempio consente, unitamente a tecniche di visual and pattern recognition, di identificare le caratteristiche con il più alto valore predittivo direttamente dalle immagini, su un ampio set di dati di esempi, consentendo cosi una refertazione automatizzata ad alta sensibilità e specificità, ad esempio delle immagini della retina.

Vantaggi?
Consente un aumento dell’efficienza e della riproducibilità, una copertura dei programmi di screening, fornendo diagnosi e trattamento precoci, snellendo e facilitando il lavoro del medico.

E noi diabetologi possiamo considerarci pronti a questo cambiamento?
Il diabetologo più di altri professionisti ha già la mentalità adatta, pronta a raccogliere questa innovazione: la cultura del dato è nel suo DNA, la necessità di fenotipizzare il paziente e personalizzare la cura e l’approccio terapeutico sono da tempo sue priorità, le competenze per gestire una malattia complessa come il diabete sono state affinate nel tempo, spaziando tra quelle tecnologiche a quelle comunicative, da quelle educative e andragogiche a quelle gestionali e manageriali. Grazie a tutto questo percorso compiuto negli anni e fortemente voluto da AMD, siamo pronti per una nuova sfida nella gestione della Diabetologia.

Alberto De Micheli, il flusso di questa immensa mole di dati deve avere una regolamentazione precisa per quanto riguarda gli aspetti della privacy. A che punto siamo in proposito?
La normativa esiste ma è in evoluzione, sia perché ogni nuovo progresso tecnologico pone problematiche nuove e sia perché all’evolvere delle tecniche di deidentificazione segue una altrettanto rapida evoluzione delle tecniche di reidentificazione. Il prezzo dell’innovazione non può essere l’erosione del diritto fondamentale alla privacy quindi sono necessarie regole e leggi ad hoc, che mantengano i principi legali fondamentali in sincronia e sintonia con la continua evoluzione tecnologica.

E coniugare l’intelligenza artificiale con la medicina personalizzata, è possibile?
Certamente. I dati analizzati dall’intelligenza artificiale sui grandi numeri sono la base per la medicina personalizzata, che non è certamente medicina soggettiva.

Come?
Pensiamo per esempio alla prescrizione di analisi appropriate per tipologia e tempistiche sulla base delle caratteristiche dei pazienti, attraverso l’individuazione di fenotipi specifici nell’ambito della malattia; alla valutazione di rischi individuali o di fattori prognostici per prescrivere azioni ad hoc; alla ricerca sulla radice genetica delle malattie per ottimizzarne il trattamento e la prevenzione; alla prescrizione di farmaci personalizzata sulla base delle caratteristiche cliniche e genetiche del paziente… E potremmo fornire innumerevoli altri esempi.

Paola Ponzani, quali potranno essere i vantaggi della “salute digitale” per la diabetologia?
La diabetologia si trova ad affrontare diverse sfide: il numero sempre minore di diabetologi, il numero crescente dei pazienti, la riduzione del tempo di visita, la sempre maggiore complessità della patologia sia dal punto di vista clinico sia assistenziale, la difficoltà di raggiungimento degli obiettivi, l’accessibilità alle cure e la sostenibilità. Le nuove tecnologie digitali e l’utilizzo dell’intelligenza artificiale rappresentano sicuramente una grande opportunità per tutto questo.

Facciamo un esempio concreto?
Grazie al machine learning, è possibile effettuare analisi descrittive, predittive e prescrittive su grandi database provenienti da fonti diverse, non analizzabili con la statistica tradizionale. È possibile effettuare una migliore valutazione del rischio di patologia nella popolazione generale, è possibile identificare nuove variabili e nuovi fattori di rischio, identificare le strategie terapeutiche più efficaci a seconda della tipologia di paziente.

Giacomo Guaita, nel documento si parla di population health management. Al di là dell’inglesismo?
In realtà, come spesso accade, è un’espressione mutuata dal mondo anglo-sassone in quanto si tratta di un modello di governo clinico che è stato ideato e applicato per la prima volta in quei sistemi sanitari. Il modello ha l’ambizione di garantire la salute delle persone per tutto l’arco della vita, è rivolto alla prevenzione, riduzione, rallentamento e cura delle patologie croniche, con delle direzioni strategiche ben precise: coinvolgere e responsabilizzare gli assistiti, riorientare il modello di cura e il coordinamento dei servizi, adottare ed estendere la proattività e quindi l’equità delle cure, creare un ambiente professionale favorevole allo sviluppo di una cultura organizzativa improntata alla condivisione.

Il diabete è l’esempio paradigmatico di patologia cronica, ma è possibile applicare l’intelligenza artificiale al chronic care model?
Il chronic care model cerca di migliorare i risultati di salute anche attraverso strumenti di business intelligence per aggregare i dati e fornire un quadro clinico completo di ciascun paziente. Utilizzando i dati, si possono monitorare e migliorare i risultati clinici riducendo al contempo i costi. Riunendo dati clinici ed economico-finanziari si possono ottenere parametri analitici utili per migliorare l’efficienza e la cura del paziente sfruttando l’intelligenza artificiale si possono fornire informazioni in tempo reale sia ai medici che agli amministratori con evidenti vantaggi rispetto alla identificazione di problematiche assistenziali.

 Quando parliamo di intelligenza artificiale non possiamo dimenticare costi e risorse…
La sostenibilità economica è un aspetto ineludibile, specialmente a fronte dell’innovazione tecnologica che procede a ritmi esponenziali e con costi conseguentemente elevatissimi. Ma proprio per questo ritengo che l’adozione dell’intelligenza artificiale in sanità, con particolare riguardo alle malattie croniche, dalle piattaforme tecnologiche per la sanità digitale, alla telemedicina possa rappresentare una grande opportunità, facilitante nella direzione della equità delle cure, della condivisione partecipativa dei professionisti e degli utenti, dell’empowerment e della promozione della salute.

 

Il commento di Nicoletta Musacchio, Presidente di Fondazione AMD

I sistemi sanitari richiedono scelte coerenti, appropriate e sostenibili. La complessità della medicina oggi va certamente oltre la capacità della mente umana, gli stessi pazienti sono sempre più complessi e sappiamo quanto le variabili che impattano sull’efficacia nel lungo periodo del trattamento dipenda da variabili non più solo “numeriche”, ma anche da altre informazioni difficilmente strutturabili. Avere la possibilità di raccogliere e utilizzare in modo coerente, in questo mare magnum, le informazioni chiave che diventano sempre più importanti, è l’elemento cruciale del sistema e quello che serve è trovare strumenti di analisi, efficaci e affidabili.

AMD ha già sviluppato cultura e strumenti sull’importanza dei dati, ma ora possiamo e dobbiamo andare oltre. È quello che Fondazione AMD ha voluto fare creando intanto un gruppo di lavoro ad hoc che ha iniziato a studiare e a produrre sull’argomento, come pionieri, affinché AMD possa svolgere sul campo un ruolo da protagonista.

 

Scarica i documenti (in PDF):

  • Musacchio N, Guaita G, Ozzello A, Pellegrini MA, Ponzani P, Zilich R, De Micheli A. (Position statement) Intelligenza artificiale e big data in ambito diabetologi­co. La prospettiva di AMD. JAMD 2018;21(3):219-31
  • Musacchio N, Guaita G, Ozzello A, Pellegrini MA, Ponzani P, Zilich R, De Micheli A. (Review) Intelligenza artificiale e big data in ambito medico: prospettive, opportunità, criticità. JAMD 2018;21(3):204-18

Intelligenza artificiale e big data in ambito medicoBibliografia e sitografia

  • Basu S, Raghavan S, Wexler DJ, et al. Characteristics associated with decreased or increased mortality risk from glycemic therapy among patients with type 2 diabetes and high cardiovascular risk: Machine learning analysis of the ACCORD trial. Diabetes Care. 2018 Mar;41(3):604-12.
  • Bellemo V, Lim Z W, Lim G, et al. Artificial intelligence using deep learning to screen for referable and vision-threatening diabetic retinopathy in Africa: a clinical validation study. Lancet Digital Health 2019;1:e35-44.
  • Buch V, Varughese G, Maruthappu M. Artificial intelligence in diabetes care. Diabet Med. 2018 Apr;35(4):495-7.
  • Cao W, Czarnek N, Shan J, Li L. Microaneurysm Detection Using Principal Component Analysis and Machine Learning Methods. IEEE Trans Nanobioscience. 2018 Jul;17(3):191-8.
  • Choi BG, Rha SW, Kim SW, et al. Machine learning for the prediction of new-onset diabetes mellitus during 5-year follow-up in non-diabetic patients with cardiovascular risks. Yonsei Med J. 2019;60:191-9.
  • Das SK. Integrating transcriptome and epigenomic: putting together the pieces of the type 2 diabetes pathogenesis puzzle. Diabetes. 2014 Sep;63(9):2901-3.
  • Franks PW, Pearson E, Florez JC. Gene-environment and gene-treatment interactions in type 2 diabetes. Progress, pitfalls and prospect. Diabetes Care. 2013 May;36(5):1413-21.
  • Ren F, Cao P, Zhao D, et al. Diabetic macular edema grading in retinal images using vector quantization and semi-supervised learning. Technol Health Care. 2018;26(S1):389-97.
  • Gulshan V, Peng L, Coram M, et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA. 2016 Dec 13;316(22):2402-10.
  • Esmaeily H, Tayefi M, Ghayour-Mobarhan M, et al. Comparing three data mining algorithms for identifying the associated risk factors of type 2 diabetes Iran. Biomed J. 2018;22:303-11.
  • Tsao HY, Chan PY, Su ECY. Predicting diabetic retinopathy and identifying interpretable biomedical features using machine learning algorithms. BMC Bioinformatics. 2018 Aug 13;19(Suppl 9):283.
  • http://www.emif.eu/
  • Iyengar V, Wolf A, Brown A et al. Challenges in diabetes care: can digital health address them? Clin Diabetes. 2016Jul;34(3):133-41.
  • Kerr D and Klonoff DC. Digital diabetes data and artificial intelligence: A time for humility not hubris. J Diabetes Sci Technol. 2019 Jan;13(1):123-7.
  • Klompas M, Eggleston E, Mcvetta J, et al. Automated detection and classification of type 1 versus type 2 diabetes using electronic health record data. Diabetes Care. 2013 Apr;36(4):914-21.
  • Lekha S, M S. Real-time non-invasive detection and classification of diabetes using modified convolution neural network. IEEE J Biomed Health Inform. 2018 Sep;22(5):1630-6.
  • Liaw ST, Taggart J, Yu H, et al. Integrating electronic health record information to support integrated care: Practical application of ontologies to improve the accuracy of diabetes disease registers. J Biomed Inform. 2014 Dec;52:364-72.
  • Maguire J, Dhar V. Comparative effectiveness for oral anti-diabetic treatments among newly diagnosed type 2 diabetics: data-driven predictive analytics in healthcare. Health Syst 2013 Jul;2:73-92.
  • Makam AN, Nguyen OK, Moore B, et al. Identifying patients with diabetes and the earliest date of diagnosis in real time: an electronic health record case-finding algorithm. BMC Med Inform Decis Mak 2013 Augu 1;1:13:81.
  • Maniruzzaman M, Rahman J, Al-Mehedi H, et al.Accurate diabetes risk stratification using machine learning: role of missing value and outliers. J Med Syst 2018;42:92.
  • Maniruzzaman M, Kumar N, Abedin M, et al. Comparative approaches for classification of diabetes mellitus data: Machine learning paradigm. Comput Methods Programs Biomed. 2017 Dec;152:23-34.
  • Olivera AR, Roesler V, Iochpe C, et al. Comparison of machine-learning algorithms to build a predictive model for detecting undiagnosed diabetes – ELSA-Brasil: accuracy study Universidade Federal do Rio Grande do Sul (UFRGS), Porto Alegre (RS), Brazil. Sao Paulo Med J. 2017 May-Jun;135(3):234-46.
  • Raman R, Srinivasan S, Virmani S, et al. Fundus photograph-based deep learning algorithms in detecting diabetic retinopathy. Eye (Lond). 2019 Jan;33(1):97-109.
  • Razavian N, Bleker S, Schmidt AM, et al. Population-level prediction of type 2 diabetes from claims data and analysis of risk factors. Big Data. 2015 Dec;3(4):277-87.
  • Renard LM, Bocquet V, Vidal-Trecan G, et al. An algorithm to identify patients with treated type 2 diabetes using medico-administrative data. BMC Med Inform Decis Mak. 2011 Apr 14;11:23.
  • Roberto G, Leal I, Sattar N, et al. Identifying cases of type 2 diabetes in heterogeneous data sources: Strategy from the EMIF project. PLoS One. 2016 Aug 31;11(8):e0160648.
  • Schulman KA, Richman BD. Toward an effective innovation agenda. N Engl J Med. 2019 Mar 7;380(10):900-1.
  • Shankaracharya, Odedra D, Samanta S, et al. Computational intelligence-based diagnosis tool for the detection of prediabetes and type 2 diabetes in India. Rev Diabet Stud 2012;9(1):55-62.
  • Talaei-Khoei A, Wilson JM. Identifying people at risk of developing type 2 diabetes: A comparison of predictive analytics techniques and predictor variables. Int J Med Inform. 2018 Nov;119:22-38.
  • Verbraak FD, Abramoff MD, Bausch GCF, et al. diagnostic accuracy of a device for the automated detection of diabetic retinopathy in a primary care setting. Diabetes Care. 2019 Apr;42(4):651-6.
  • Zarkogianni K, Athanasiou M, Thanopoulou AC. Comparison of machine learning approaches toward assessing the risk of developing cardiovascular disease as a long-term diabetes complication. IEEE J Biomed Health Inform. 2018:1637-47.
  • Zhixi L, Liu SKC, He Y, et al. An automated grading system for detection of vision-threatening referable diabetic retinopathy on the basis of color fundus photographs. Diabetes Care. 2018 Dec;41(12):2509-16.