Big Data e Intelligenza Artificiale: il gruppo di lavoro AIFM

Alcune delle principali aree d’innovazione nel campo della salute nascono e si sviluppano a partire dalla disponibilità di grandi quantitativi di dati sanitari (Big Data) e dalla possibilità di utilizzare tecniche di intelligenza artificiale (AI), in particolare di Machine Learning (ML), per gestirli e comprenderli. I Big Data in sanità si riferiscono a grandi set di dati raccolti periodicamente o automaticamente, che vengono archiviati elettronicamente, riutilizzabili allo scopo di migliorare le prestazioni del sistema sanitario. Questo non riguarda unicamente i dati presenti nelle cartelle cliniche ospedaliere, nei registri clinici dei medici di base, nei registri tumori, nei referti delle visite specialistiche e negli esami di laboratorio, nelle prescrizioni farmaceutiche, ma anche le immagini mediche disponibili nei sistemi RIS/PACS, VNA o RTIS delle nostre aziende sanitarie o nelle biobanche dedicate. Si pensi, per esempio, alla Diagnostica per Immagini dove i recenti progressi ottenuti dalle tecniche di apprendimento automatico nella gestione dei flussi di attività, nell’ottimizzazione delle modalità di acquisizione delle immagini e nella valutazione delle immagini stesse stanno aprendo nuovi scenari nella pratica radiologica.

Grazie alle applicazioni dell’AI si possono realizzare, in modo automatizzato, valutazioni quantitative finalizzate al rilevamento, alla caratterizzazione e al monitoraggio delle malattie che, storicamente, erano fatte in modo visivo dal radiologo, talvolta utilizzando strumenti di analisi computerizzata non particolarmente performanti. Grazie all’efficacia raggiunta dai nuovi algoritmi di intelligenza artificiale, è prevedibile che l’AI sarà sempre più presente nel mondo radiologico con forti aspettative in termini di maggior efficienza ed accuratezza diagnostica. Esistono però delle criticità che devono essere superate per consentire alle tecniche di AI di esprimere pienamente e in modo sicuro il loro potenziale, diventando un reale supporto per il radiologo in fase di diagnosi e un elemento di significativo miglioramento per la medicina di precisione.

In modo del tutto analogo le tecnologie dell’AI sono applicate ed applicabili a tutte le principali branche specialistiche della medicina, dalla medicina nucleare alla radioterapia, dalla biologia molecolare (Radiogenomics) all’anatomia patologica (Pathomics), dalla neurologia alla ematologia. Inoltre, sono presenti piattaforme di storage dedicate che contengono terabyte di dati genomici, trascrittomici, proteomici e metabolomici che pongono la sfida di una loro interpretazione (Panomics), nel tentativo di scoprire relazioni che non sono prontamente evidenti tra profili molecolari e stati di salute o malattia.

Tecniche di ML usate per creare immagini di elevata qualità a partire da immagini a bassa dose, di deep learning per creare l’immagine CT a partire da immagine MR per, di AI per l’ottimizzazione dei processi di treatment delivery sono inoltre alcuni esempi dell’applicazione delle tecniche di AI e di Machine Learning nell’ottimizzazione dei flussi di lavoro adottati nelle strutture sanitarie.

Come già avviene per le apparecchiature ad alta tecnologia e gli applicativi software più complessi, anche i sistemi di AI occorre siano sottoposti a test di verifica, per validarne la correttezza degli algoritmi e/o dei procedimenti automatici da essi implementati, ed a controlli di qualità periodici, per poterne accertare la rispondenza ai requisiti richiesti dalle specifiche o dalle norme a essi applicati, anche in esito al rilascio di patch o nuove release. L’esperienza e le competenze maturate dalla Fisica Medica nell’ambito generale dell’effettuazione dei test di accettazione e dei controlli di qualità costituisce la ragione per doversi occupare e conoscere con sempre maggiore competenza ed in sicurezza queste attività estremamente innovative ma ancora non ben classificate e standardizzate.