Skip to content

Intelligenza artificiale

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.

Secondo una stima della International Diabetes Federation nel 2030 le persone con diabete potrebbero essere circa 366 milioni. Le informazioni digitali generate da una popolazione così vasta non sembrano poter essere gestite da soli esseri umani.

Appare indispensabile lo sfruttamento di strumenti analitici in grado di processare rapidamente enormi moli di dati ed estrarre preziose conoscenze ‘nascoste’ nei dati stessi. Algoritmi di intelligenza artificiale, in particolare il machine learning, possono trasformare dataset biomedici in actionable knowledge sotta la guida e l’interpretazione di esperti.


L’intelligenza artificiale

di Nicoletta Musacchio

In questa nuova era il mondo si sta organizzando per usufruire di banche dati, sempre più grandi, per affidarsi alla tecnologia e usarle come patrimonio da interpretare per agevolare e accelerare importanti decisioni in ogni campo. Si parla di big data quando si ha un insieme talmente grande e complesso di dati che richiede la definizione di nuovi strumenti e metodologie per estrapolare, gestire e processare informazioni entro un tempo ragionevole.

Il progressivo aumento della dimensione delle banche dati è legato alla necessità di analisi su un unico insieme di elementi, con l’obiettivo di estrarre informazioni aggiuntive rispetto a quelle che si potrebbero ottenere analizzando piccoli set di dati, con la stessa quantità totale di informazioni.

Ma non solo, i big data rappresentano anche l’interrelazione di dati provenienti da fonti eterogenee, quindi non soltanto i dati strutturati, ma anche non strutturati, come immagini o altre informazioni prese da qualsivoglia altra fonte, che possono catturare informazioni cliniche incorporate nel dato stesso.

In particolare, in medicina 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. In questo quadro i progressi nella potenza di calcolo svolgono un ruolo centrale per l’analisi dei big data e per l’acquisizione della conoscenza. Avere la possibilità di raccogliere, e utilizzare in modo coerente, in questo mare magnum le informazioni chiave che diventano sempre più importanti diventa centrale e prioritario e quello che serve è trovare strumenti di analisi efficaci e affidabili che oggi sono rappresentati dalle nuove tecniche di intelligenza artificiale (IA). Queste tecniche riconoscono e utilizzano sistemi di machine learning che sono in grado di “districarsi” e imparare da queste immense moli di dati anche con intrinsechi sistemi di riconoscimento e gestione dell’errore. In sostanza l’IA è una macchina in grado di risolvere problemi e di riprodurre attività proprie dell’intelligenza umana.

In particolare, il machine learning, che è un sottoinsieme dell’IA, permette l’analisi dei dati, ne riconosce le caratteristiche e “impara” dal loro esame. La macchina riesce a stabilire le connessioni tra i diversi dati e fare delle predizioni senza però, essere programmata in anticipo per compiere questa attività. E in un futuro non troppo lontano l’IA, grazie ad algoritmi capaci di apprendere e migliorare autonomamente le proprie abilità, offrirà soluzioni efficaci per soddisfare le più disparate esigenze e arriverà ad occuparsi di problemi che oggi possono sembrare ostacoli insormontabili, a beneficio della collettività. La capacità di elaborare, anche in tempo reale, tramite algoritmi sempre più potenti, un’ingente ed eterogena mole di dati consente di estrarre conoscenza e, in misura esponenziale, di effettuare valutazioni predittive sui comportamenti degli individui nonché, più in generale, di assumere decisioni per l’intera collettività.

Questo vuol dire che oltre alla analisi della fotografia della situazione in base ai dati disponibili che ci permette di trasformare i dati in conoscenza (descriptive), modello al quale siamo abituati, e si potranno identificare i fattori che “condizionano” il comportamento e le correlazioni (predictive) fino ad arrivare ad identificare i fattori chiave in grado di facilitare un miglioramento dei risultati attesi (prescriptive).

Come già detto, la nostra diabetologia ha già sviluppato cultura e strumenti sull’importanza dei dati ma ora possiamo e dobbiamo andare oltre.

Possiamo e dobbiamo sviluppare il forte potenziale dei dati in nostro possesso che contengono molta conoscenza “nascosta” e che potranno permetterci di prendere decisioni migliori e orientare i nostri comportamenti per prevenire lì dove c’è un rischio.

Per fare un esempio concreto: non solo possiamo approfondire la conoscenza (in modo evidence) sui fattori di rischio delle complicanze, ma anche individuare i collegamenti tra i diversi elementi indicando la probabilità con cui questi fattori possono incidere sull’evoluzione della malattia su precisi gruppi di soggetti. Algoritmi di apprendimento automatico, opportunamente “addestrati”, sono capaci di analizzare milioni di dati e cercare correlazioni probabilistiche di rischio, non solo per studiare il propagarsi di un’epidemia e/o per individuare le nuove terapie personalizzate.

Volendo spingerci oltre, nell’ipotesi sempre più realistica di linkage tra le diverse banche dati presenti in Sanità (dati amministrativi, di processo assistenziale, di esito intermedio e finale, di costi ecc.), ci potremo permettere di fare valutazioni a tutto tondo dell’intero processo di cura e anche per il singolo paziente in termini di: efficacia clinica, efficacia organizzativa, sostenibilità, equità.

Questo risultato ci vedrà in un breve futuro, attori proattivi dell’intero sistema e artefici di processi di miglioramento dell’assistenza delle persone affette da diabete che è e rimane la nostra Mission.

È per questo che AMD ha ritenuto indispensabile la necessità di approfondire l’argomento, con buone basi di partenza, infatti già da oltre 10 anni con il progetto Annali ci stiamo occupando della cultura del dato e abbiamo creato una banca dati di rara ricchezza. Già nel 2015 abbiamo capito quanto fosse utile proiettarsi, in modo competente e proattivo, nel mondo dei big data e delle IA.

AMD ha pertanto fatto partire un gruppo nazionale ad hoc sull’IA con l’obiettivo di studiare, per fare cultura, e sperimentare, per crescere sul tema, in modo evidence.

Per prima cosa si è creata una biblioteca ad hoc su questo argomento che è disponibile sul sito AMD. Abbiamo analizzato moltissima letteratura scientifica sul tema scegliendo gli articoli di maggiore interesse. Da questa prima fase di studio è nata una position statement*per evidenziare i punti di forza e le criticità così da arrivare ad affrontare il tema dei big data e delle IA in modo competente.

Il gruppo, che da allora sta continuando il suo cammino, sta ora sperimentando queste nuove tecniche di IA e sono in corso e in attivazione parecchi lavori che ci permetteranno di analizzare e valutare “da vicino” le reali potenzialità dell’IA.

 

* Musacchio N, Giancaterini A, Guaita G, Ozzello A, Pellegrini MA, Ponzani P, Russo GT, Zilich R, de Micheli A.  Artificial Intelligence and Big Data in Diabetes Care: A PositionStatement of the Italian Association of Medical Diabetologists. J Med Internet Res. 2020 Jun 22;22(6):e16922 


Obiettivi

Obiettivi di AMD

  • Lavorare su frontiere innovative di analisi dei big data
  • Generare nuove conoscenze su fisiopatologia e cura del diabete attraverso strumenti di intelligenza artificiale
  • Fornire alla figura del diabetologo le basi per assumere un ruolo da protagonista nello sfruttamento di queste nuove conoscenze
  • Ridefinire le competenze del diabetologo per aumentarne parallelamente sia le abilità di carattere tecnico che quelle di relazione e comunicazione, attraverso una maggior efficacia nella gestione della complessità e del decision-making
  • Realizzare attraverso nuovi strumenti una vera medicina di precisione

Obiettivi del Board

  • Esplorare possibili collaborazioni
  • Selezionare algoritmi machine learning per disegnare studi di efficacia secondo una nuova tassonomia, basata sulla metodologia big data/intelligenza artificiale
  • Individuare le aree di applicazione su cui appare necessario concentrare gli sforzi della ricerca scientifica del settore

Attività del gruppo

Position societaria


Inerzia insulinica


Corsi e congressi


Analisi su intelligenza artificiale e machine learning


Pubblicazioni AMD

  • Musacchio N, Giancaterini A, Guaita G, Ozzello A, Pellegrini MA, Ponzani P, Russo GT, Zilich R, de Micheli A. Artificial Intelligence and Big Data in Diabetes Care: A PositionStatement of the Italian Association of Medical Diabetologists. J Med Internet Res. 2020 Jun 22;22(6):e16922
  • 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
  • Musacchio N, Candido R, Cimino A, De Micheli A, Giancaterini A, Monge L, Ozzello A, Pellegrini MA, Ponziani MC, Ragonese M, De Cosmo S, Russo GT, Suraci C & Zilich R. Diabetologist’s core competence curriculum: A position statement of the AMD (Italian association of medical diabetologists). Diabetes Manag 2019;9(4):87-95
  • Giorda CB, Pisani F, De Micheli A, Ponzani P, Russo G, Guaita G, Zilich R, Musacchio N, on behalf of the Associazione Medici Diabetologi (AMD) Annals Study Group. Determinants of good metabolic control without weight gain in type 2 diabetes management: a machine learning analysis. BMJ Open Diab Res Care 2020; 8(1):e001362

Studi

  • Inerzia insulinica: Inerzia insulinica: what if e fenotipizzazione
    L’ultimo studio condotto “Inerzia insulinica: what if e fenotipizzazione” ha l’obiettivo di individuare i driver che caratterizzano tale fenomeno nella fase iniziale della terapia insulinica e di valutare l’impatto sul controllo glicemico, attraverso una simulazione di scenario basata su real data (database Annali AMD) e Machine Learning, se fosse implementata una tempestiva insulinizzazione in tutti i pazienti idonei a questo tipo di trattamento.
    Leggi di più | Scarica il report completo dello studio
  • Analisi della banca dati Annali AMD sviluppata da Mix-x con la piattaforma Rulex
    Prima esperienza di AMD (Associazione Medici Diabetologi) con una piattaforma di intelligenza artificiale.
    Obiettivo dello studio è stato quello di identificare le variabili correlate al raggiungimento del target emoglobina glicata ≤7% e aumento massimo di peso ≤2%.
  • Studio di scenario WHAT-IF
    Studio in fase di definizione.
    Disegno di un ipotetico scenario d’indagine focalizzato sul potenziale impatto dato da un utilizzo più esteso dei farmaci di nuova generazione.
    Gli obiettivi sono definire quali “effetti” si determinerebbero se i farmaci di nuova generazione venissero utilizzati in tutte le situazioni che ne consentono l’impiego e determinare quali miglioramenti si ottengono sul target combinato, sul solo obiettivo di HbA1c, sul solo contenimento del peso e sulla persistenza del target.
    Si veda anche: Inerzia insulinica: simulazione WHAT-IF – Utilizzo di Rulex® – Analisi basata sull’intelligenza artificiale trasparente.

Progettualità

  • Collaborazione con il Dipartimento di Medicina Traslazionale e di Precisione, Università Sapienza di Roma: Progetto STITCH (Sapienza Information-Based Technology InnovaTion Center for Health)-AMD.
    Obiettivo è quello di sviluppare un sistema di predizione e caratterizzazione dell’evoluzione del diabete col fine di prevedere l’insorgenza delle complicanze e la qualità della risposta del paziente alla terapia, attraverso lo sviluppo di uno specifico algoritmo dinamico di machine learning.
  • Collaborazione con il gruppo AMD Psicologia e diabete per definire possibili aree di intervento dell’intelligenza artificiale nell’inquadramento e nella gestione del benessere psicologico delle persone con diabete.
    Obiettivi a breve termine:
    – implementazioni della cartella Smart Digital Clinic sul tema psicologia e diabete;
    – realizzazione di studi focalizzati sull’analisi della sfera psicologica attraverso strumenti di intelligenza artificiale.

Partner di AMD


Il Board

Coordinatore:

  • Paola Ponzani

Vice Coordinatore:

  • Antonio Rossi

Componenti:

  • Walter Baronti
  • Pierpaolo Falcetta
  • Alessandro Ozzello
  • Enrica Salomone

Consulenti:

  • Nicoletta Musacchio
  • Rita Zilich

Consulenti estemporanei:

  • Carlo Giorda
  • Davide Masi

Referenti CDN

  • Fabio Baccetti
  • Lelio Morviducci

Documenti

Normativa


Letteratura scientifica

Materiale multimediale



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.