Intelligenza artificiale e sanità: una relazione da gestire con cura

Ultimo aggiornamento: 2 aprile 2019

Si parla di riconoscimento facciale per il controllo passaporti, di riconoscimento vocale su assistenti virtuali come Alexa e Siri; ancora di auto senza conducente e di companion robot che si prendono cura degli anziani. Diventa difficile pensare ad un’area della nostra vita che non sarà presto influenzata dall’intelligenza artificiale, la tecnologia nascente basata sui dati.

L’IA figura in modo consistente anche nel settore sanitario. DeepMind di Google ha insegnato alle macchine a leggere le scansioni della retina con la precisione di un giovane medico esperto. Un progetto in corso finanziato dalla British Heart Foundation riguarda lo sviluppo di uno strumento di machine learning che consente di prevedere il rischio di infarto in base allo stato di salute.

Secondo una recente ricerca di ReportLinker, l’IA nel mercato dell’assistenza sanitaria crescerà da $2,1 a $36,1 miliardi entro il 2025. Questo aumento di valore sarà guidato in gran parte dagli investimenti nordamericani, con gli Stati Uniti in prima linea nell’innovazione e nella spesa. E anche se parte di questa crescita sarà attribuita al lavoro delle grandi corporation, anche i contributi provenienti dalle start up avranno un considerevole impatto sul futuro della sanità.

La capacità del machine learning di raccogliere e gestire i big data sta alimentando la crescita dell’IA. Ospedali, centri di ricerca, aziende farmaceutiche e altre istituzioni sanitarie stanno adottando sempre più soluzioni basate sull’intelligenza artificiale. Software di riconoscimento vocale e sistemi di supporto alle decisioni cliniche migliorano la salute, l’assistenza e l’esperienza dei pazienti, supportano i medici e velocizzano la ricerca ed infine abbattono i costi.

Se secondo alcuni l’IA fornirà un sollievo immediato alle pressioni dei sistemi sanitari, altri affermano che non potrà mai sostituire l’assistenza sanitaria fornita da un umano. In effetti, è difficile immaginare il giudizio relativo ai comportamenti, la risposta alle reazioni e alle domande dei pazienti non provenienti direttamente dall’essere umano. Sarà per i politici e in definitiva per il pubblico decidere fino a che punto e in che modo l’IA impatterà sull’assistenza ai pazienti. Per ora l’Academy of Medical Royal Colleges fornisce raccomandazioni in merito.

I dati dei pazienti nutrono la ricerca sulla leucemia

“Sebbene la maggioranza dei pazienti sia ben disposta a condividere i propri dati per test clinici, molti non sono al corrente del loro svolgimento, o non sono adeguatamente informati sul tipo di uso che si fa dei dati. La mancanza di collegamento tra specialisti e pazienti può essere un fattore chiave nella scoperta o meno di una cura che potrebbe salvare la vita.” Queste sono le parole di Fabian Bolin, promesso attore a cui a soli 28 anni viene diagnosticata la leucemia. Inizia a documentare la sua battaglia al cancro su un blog, che rapidamente guadagna l’attenzione globale. Riconoscendo il potere e il potenziale della narrazione e combinandola con una forte spinta a responsabilizzare gli altri, nasce l’idea di WarOnCancer, fondata insieme a Sebastian Hermelin e il team opera da Stoccolma, in Svezia.

Una comunità di blogger dedicato ai pazienti oncologici e ai loro parenti, con 150 partecipanti, rappresentativi di 40 tipologie di neoplasia. Poi, una nuova applicazione mobile, che mira a diventare il social network globale per i pazienti oncologici. Questa è la frontiera a cui WarOnCancer sta collaborando con sei partner, nei settori farmaceutico e delle scienze biologiche. Con il lancio previsto per il 2019, l’app consentirà ai partecipanti di condividere dati e monitorarne l’uso nella ricerca. Un’infrastruttura i cui membri possano contribuire con i loro dati al più ampio ecosistema del cancro, e quindi svolgere un ruolo essenziale nell’accelerare l’assistenza sanitaria e nel migliorare la ricerca.

Grazie a Microsoft Azure, una piattaforma cloud intelligente, affidabile e sicura per il sistema sanitario, WarOnCancer analizza i dati per rilevare problematiche e vantaggi evidenziati dai diversi gruppi di pazienti a seconda di dove e come vengano curati. “L’obiettivo è creare un servizio ‘combinatorio’ per studi clinici e pazienti che aumenterà la riuscita degli studi e favorirà le procedure di ricerca e sviluppo in campo farmaceutico e la personalizzazione dei piani terapeutici e dei trattamenti in base alle esigenze del paziente oncologico”, spiega Sebastian Hermelin, cofondatore e responsabile delle partnership di settore per WarOnCancer.

Cloud e digitali imaging per diagnosi precoci e accurate sul cancro al seno

Lo screening del cancro al seno ha normalmente luogo ogni due anni e implica la mammografia sulle donne di una determinata fascia d’età. Una diagnosi oncologica precoce genera una percentuale di sopravvivenza superiore e una riduzione gli effetti collaterali della terapia. Tuttavia, l’efficacia della mammografia si rivela inferiore in caso di tessuto mammario “denso”, con maggiore percentuale di tessuto fibroghiandolare. Ecco perchè, l’Istituto Oncologico Veneto (IOV) sta utilizzando un nuovo sistema di valutazione della densità creato da Volpara, che va oltre i limiti della mammografia tradizionale: la soluzione, basata su cloud, valuta le immagini del tessuto mammario della paziente, determinandone la densità.

“Poiché sia i tessuti mammari densi che le lesioni appaiono bianchi in radiografia, il rilevamento della neoplasia in pazienti con elevata densità risulta più difficile. In più, è dimostrato che le donne con seno più denso presentano maggior rischio di tumore al seno rispetto alle donne con densità inferiore”, spiega Gisella Gennaro, dirigente fisico sanitario presso l’Istituto Oncologico Veneto. “Oggi grazie ad un’elaborazione computerizzata avanzata delle immagini, riusciamo a valutare la densità mammaria in modo automatico e obiettivo, utilizzarla per stimare il rischio di malattia, e offrire protocolli di imaging personalizzati, come ad esempio l’uso degli ultrasuoni, nei casi in cui la densità mammaria rischi altrimenti di ostacolare il rilevamento della neoplasia.”

Il ruolo delle startup

Un recente rapporto di CB Insights mostra che le startup di intelligenza artificiale sanitaria (AI) hanno raccolto 4,3 miliardi di dollari dal 2013, superando tutte le altre industrie. Kolabtree, la piattaforma online che mette in contatto le piccole imprese e le organizzazioni di ricerca con scienziati freelance, ha realizzato un’infografica sulle startup che hanno sviluppato innovativi prodotti AI-assist che stanno migliorando l’assistenza sanitaria, dalla scoperta di farmaci, alla diagnosi al trattamento, alla fornitura di servizi. Molti di questi vengono ora utilizzati nelle case, negli ospedali e nelle cliniche per migliorare la vita delle persone.

“Si sente molto sul lavoro delle grandi case farmaceutiche, ma gli importanti contributi che le startup apportano al settore sanitario spesso passano inosservate“, ha commentato Ashmita Das, CEO di Kolabtree. “Alle grandi aziende spesso mancano le capacità di ricerca per sviluppare internamente prodotti basati su AI, motivo per cui molti hanno collaborato con le start-up in questo settore.”

La necessità di razionalità e misure di condotta

L’intelligenza artificiale e la sua applicazione nell’assistenza sanitaria potrebbero essere un grande passo avanti, ma questa relazione deve essere gestita con cura. Affinché l’IA fiorisca davvero, l’IT deve essere revisionato e reso interoperabile e la qualità e la portata dei dati sulla salute deve essere migliorata. La forza lavoro deve essere addestrata sul suo valore e la necessità di accuratezza e le organizzazioni sanitarie devono avere piani robusti per fornire servizi di backup in caso di guasto o di violazione dei sistemi tecnologici.
Il documento Artificial Intelligence in Healthcare commissionato da NHS Digital, ha esaminato le preoccupazioni cliniche, etiche e pratiche relative all’IA nel sistema sanitario e sociale nel Regno Unito. L’Academy of Medical Royal Colleges ha individuato sette raccomandazioni chiave per politici, responsabili delle politiche e fornitori di servizi da seguire.

“I politici e i responsabili delle politiche dovrebbero evitare di pensare che l’IA risolverà tutti i problemi che i sistemi di assistenza sanitaria stanno affrontando in tutto il Regno Unito” figura al primo posto. Secondo l’inchiesta dell’Academy, l’IA probabilmente non sostituirà i medici, anzi “I medici possono e devono essere parte del cambiamento che accompagnerà lo sviluppo e l’uso dell’IA. Ciò richiederà cambiamenti nel comportamento e nell’atteggiamento, inclusi istruzione e carriere. Saranno necessari più dottori esperti in scienza dei dati.”

Altre raccomandazioni chiave: l’AI deve essere sviluppata in modo regolamentato tra medici e scienziati informatici per garantire la sicurezza del paziente; serve una guida chiara su responsabilità e implicazioni legali dell’IA; i dati dovrebbero essere più facilmente disponibili nei settori pubblico e privato per coloro che rispettano gli standard di governance; necessaria è la trasparenza delle società tecnologiche affinché i medici possano essere certi degli strumenti che stanno utilizzando.

“Il tema chiave è la tensione tra il mantra tecnologico, ‘move fast and break things’ e il principio sancito nel giuramento di Ippocrate, ‘first, do no harm’. Questa apparente dicotomia è una questione che deve essere affrontata se vogliamo beneficiare di AI. Che cosa dobbiamo fare per permettere alla scienza di prosperare mantenendo al tempo stesso i pazienti al sicuro?”. Ha dichiarato la professoressa Carrie MacEwen, presidente dell’accademy AoMRC.

Depth sensors che “aumentano” il lavoro dello staff ospedaliero

Negli Stati Uniti, l’ICU (Intensive Care Unit) registra un tasso di mortalità (tra l’8% e il 19%) più elevato rispetto a qualsiasi altra unità ospedaliera, per un totale di circa 500.000 decessi all’anno e quelli che non muoiono possono soffrire in altri modi, ad esempio per menomazioni fisiche e mentali a lungo termine. Per gli infermieri, lavorare qui può facilmente portare al burnout a causa della richiesta di tanta resistenza fisica ed emotiva per dispensare assistenza e cure continue.

Un nuovo paper A computer vision system for deep learning-based detection of patient mobilization activities in the ICU, pubblicato su Nature Digital Medicine, mostra il potenziale dell’IA nel supportare lo staff ospedaliero ed offre un esempio di come e perché i ricercatori di IA dovrebbero lavorare a fianco dei professionisti di altri settori.

Frutto di una collaborazione durata sei anni tra ricercatori dell’IA e medici professionisti della Stanford University e dell’ospedale Intermountain LDS a Salt Lake City nello Utah, questo studio si è servito della visione artificiale (machine vision) per monitorare costantemente la motilità dei pazienti in terapia intensiva durante lo svolgimento di attività quotidiane. Sensori di profondità (depth sensors) sono stati installati in sette stanze individuali e hanno raccolto dati tridimensionali sulla silhouette dei pazienti 24 ore al giorno nell’arco di due mesi. I ricercatori hanno poi sviluppato algoritmi per analizzare il filmato per rilevare: (1) quando i pazienti salivano e scendevano dal letto o salivano e scendevano da una sedia; (2) il numero di personale coinvolto in ciascuna attività.

I risultati hanno mostrato che in media, l’algoritmo per rilevare le attività di mobilità ha identificato correttamente le attività che un paziente stava eseguendo l’87% delle volte. L’algoritmo per tracciare il numero di personale è andato meno bene, raggiungendo il 68% di accuratezza. Secondo i ricercatori, entrambe le misure sarebbero migliorate utilizzando più sensori in ogni stanza, per compensare le persone che si bloccano a vicenda dalla vista di un singolo sensore.

Anche se i risultati non siano così solidi, lo studio è uno dei primi a dimostrare la fattibilità dell’utilizzo di sensori e algoritmi per tracciare passivamente quante volte e per quanto tempo si muovevano i pazienti in ICU. Se gli algoritmi possono tenere traccia di quando un paziente è caduto o addirittura anticipare quando qualcuno sta iniziando ad avere problemi, possono avvisare il personale che è necessario un aiuto e risparmiare agli infermieri la preoccupazione provocata lasciando un paziente da solo mentre passano a prendersi cura di un altro.

Al contrario della maggior parte delle ricerche sull’IA che si concentra esclusivamente sulla costituzione di algoritmi fuori dal contesto, ad esempio perfezionando la visione del computer in un ambiente simulato piuttosto che in un ambiente reale, il team di Stanford ha lavorato sin dall’inizio con i professionisti del settore medico per capire di cosa avevano bisogno e ridefinire tali esigenze con il risultato di algoritmi non solo precisi, bensì sicuri da implementare e in linea con i giusti problemi portando beneficio ai pazienti e al personale di assistenza. Ad esempio, attraverso discussioni con infermieri e altro personale ospedaliero, i ricercatori di IA hanno concluso che l’uso di sensori di profondità piuttosto che di telecamere normali avrebbe protetto la privacy dei pazienti e del personale.

Sfortunatamente, l’attuale cultura e gli incentivi alla ricerca sull’intelligenza artificiale non si prestano a tali collaborazioni. La pressione per muoversi velocemente e pubblicare rapidamente porta i ricercatori a evitare progetti che non producono risultati immediati, e la privatizzazione di molti fondi di IA non è positiva per i progetti senza chiare opportunità di commercializzazione. Fortunatamente, un numero crescente di esperti sta spingendo per cambiare lo status quo. Il MIT e Stanford stanno aprendo nuovi centri di ricerca interdisciplinare con l’incarico di perseguire l’intelligenza artificiale etica centrata sull’uomo.

***

LE OPINIONI DEGLI ESPERTI

Intervista ad Alberto Ronchi, Direttore dei Sistemi Informativi, Istituto Auxologico Italiano

AI4Business: Quali sono secondo lei le potenzialità dell’intelligenza artificiale nel mondo sanitario/ospedaliero? Quali sono i vantaggi che potrebbe generare e in quali aree?

Ronchi: In questo momento quando si parla di intelligenza artificiale (AI dal nome inglese) si sta in realtà parlando di Machine Learning (ML), cioè di usare algoritmi o programmi per far loro apprendere a compiere certe operazioni nel modo migliore possibile, ad esempio il riconoscimento delle immagini.
Non siamo quindi di fronte ad una AI ‘generalista’ che possa affrontare qualunque problema e, eventualmente, capirlo e risolverlo.
Quello che succede in questo momento è il disegnare un oggetto (tipicamente una rete neurale a più livelli e con opportune caratteristiche), fargli apprendere cosa vogliamo da esso mediante l’esame di un elevato numero di casi e quindi, dopo la fase di apprendimento, passare all’uso nel ‘mondo reale’.
E’ un approccio che si è rivelato estremamente fruttifero per certi tipi di problemi come il già citato riconoscimento immagini o la classificazione di grandi moli di informazioni (in campo medico o legale).
Questi esempi sono anche quelli che possiamo considerare di maggior successo nel campo della sanità.
I motori di ML hanno dimostrato di poter apprendere molto bene lo studio delle immagini radiologiche alla ricerca di anomalie oppure delle immagini ottenute dagli esami di anatomia patologica.
Hanno anche dimostrato la capacità di poter ‘leggere’ i numerosissimi articoli pubblicati ogni anno nelle riviste di medicina e di poter assistere il medico nella formulazione di diagnosi e di terapie (anche farmacologiche).
Queste sono, forse, le due iniziative di maggior successo e hanno dimostrato che l’AI può essere di grande aiuto e assistenza al medico nella pratica giornaliera e nella ricerca.
Nell’immediato futuro anche tecnologie di assistenza vocale si potrebbero rivelare promettenti nell’assistenza e nel contatto con il paziente, eventualmente coniugate all’uso della robotica.

AI4Business: Di contro, quali sono le “sfide aperte”, i limiti da superare (sicurezza, privacy, maturità tecnologica, competenze, …)?
Ronchi: In generale la privacy è un falso problema nell’attuale uso dell’AI
Dato che stiamo sostanzialmente usando algoritmi di ML, che non hanno la caratteristica di ‘ricordare’ i dati usati per l’addestramento della rete (soggiacente all’algoritmo); il problema quindi non si pone neppure: i dati usati non sono presenti in alcun modo riutilizzabile.
Questo è però un punto debole del ML che porta poi a dei problemi di natura medico-legale.
Cerco di spiegare meglio: allo stato attuale della ricerca in ML, non siamo in grado di spiegare perchè una rete neurale prenda una certa decisione e non un’altra (ad esempio riconosca un’immagine come un gatto e non come un leone); questo perchè non c’è un programma leggibile da un esperto di informatica, ma solo una serie di ‘pesi’ applicati ai nodi della rete (cioè una sequenza di numeri, a volte anche molto lunga: la rete di riconoscimento immagini di Google, aveva, nelle prime versioni, 60 milioni di parametri).
Nasce quindi il problema della responsabilità del risultato di una rete, se decidiamo di applicare tale risultato alla cura di un paziente.
Il responsabile è il medico che applica il consiglio, il programmatore che ha preparato la rete o che ha fornito i dati per l’addestramento?
Un sfida aperta è quella delle competenze: lo scoglio da superare per capire ed usare bene questa tecnologia, non è tanto tecnico (ormai i framework più diffusi come Tensorflow sono abbastanza accessibili), ma è soprattutto teorico. Capire quale sia il tipo di rete giusta da usare per il problema in esame, richiede una buona comprensione della matematica sottostante, se no si vuole ricorrere ad una sorta di trial and error o a formule da stregoni.

AI4Business: Ha già avuto modo di sperimentare alcune tecnologie di intelligenza artificiale nel suo campo professionale? Se sì, quali e con che impressioni?
Ronchi: Come azienda non abbiamo ancora provato seriamente la tecnologia dell’AI, se non con un piccolo prototipo sulla ricerca delle anagrafiche duplicate nella nostra anagrafica pazienti, un problema molto sentito in sanità.
Dato che, come AISIS (Associazione Sistemi Informativi in Sanità), abbiamo preparato nel 2018 un lavoro su varie tecnologie, tra cui l’AI, ho avuto modo di esaminare molte esperienza di uso di questa tecnologia, che rimane però ancora sperimentale e non entrata nell’uso quotidiano.
Forse non ci accorgeremo neppure della transizione, come ci siamo, di fatto, abituati al riconoscimento vocale (di Apple, Google, Amazon, Microsoft, …) senza renderci conto che è anch’esso una manifestazione dell’intelligenza artificiale.

***

Intervista a Marco Foracchia, Chief Information Officer – Responsabile Struttura Complessa ICT at Azienda USL di Reggio Emilia, IRCCS

AI4Business: Quali sono secondo lei le potenzialità dell’intelligenza artificiale nel mondo sanitario/ospedaliero? Quali sono i vantaggi che potrebbe generare e in quali aree?

Foracchia: I sistemi di “Intelligenza Artificiale”, nelle varie declinazioni che questi assumono, sono ovviamente di grande interesse per l’ambito sanitario essendo quest’ultimo una delle principali frontiere di applicazione delle nuove tecnologie, sia in termini di propensione all’innovazione che in termini di investimenti.

La prima e più evidente applicazione è il supporto ai processi diagnostici attraverso strumenti di interpretazione automatica o semi automatica dei quadri clinici. Questo tipo di applicazioni inizia ad avere esempi significativi nella pratica medica, ad esempio in ambito radiologico, dove strumenti di analisi automatica delle immagini sono ad oggi già disponibili in commercio. Il supporto fornito da questi strumenti non necessariamente è il miglioramento della qualità diagnostica, quanto più spesso una ottimizzazione dei tempi e la conseguente scalabilità del processo diagnostico. Si prospettano infatti significative applicazioni in ottica semi-automatica in contesti di scarsità di risorse mediche. Altro esempio di applicazione è la pre-interpretazione di quadri clinici allo scopo di proporre i casi per valutazione medica in ordine di gravità decrescente (intesa come probabilità di presenza di elementi patologici). Immaginiamo ad esempio un contesto di pronto soccorso in cui al radiologo sono proposti per primi gli studi che abbiano una probabilità maggiore di elementi patologici, con il conseguente miglioramento dei tempi di gestione dei casi più gravi.

Altro ambito in cui tecnologie di intelligenza artificiale già dimostrano applicazioni significative è quello della interpretazione del linguaggio naturale. Il settore sanitario ha sempre “subito” il difficile compromesso tra il tradizionale approccio narrativo della disciplina medica e le esigenze di codifica e strutturazione del dato tipiche del mondo informatico. I nuovi strumenti di interpretazione del linguaggio naturale promettono, e in alcuni casi già affrontano con successo, il superamento di questa contraddizione fornendo all’operatore sanitario l’opportunità di esprimersi in modo “naturale” e limitandosi ad una conferma/validazione di concetti strutturali estratti da un algoritmo.

L’ambito più promettente, seppure ancora in una fase non del tutto consolidata, è ovviamente quello della interpretazione di quadri clinici complessi sulla base di apprendimento autonomo da parte di algoritmi di tipo “deep learning”. L’esempio di IBM Watson è probabilmente uno dei più impressionanti ad oggi disponibili, anche se il mondo della ricerca nel settore offre tutti i giorni esempi sempre più complessi e sorprendenti. Questo tipo di tecnologie trovano applicazione ottimale in un settore, quello medico, già intrinsecamente propenso ai “big data” e quindi base naturale per sistemi di apprendimento. Le applicazioni di questo tipo, che sicuramente vanno oltre il semplice supporto all’operatore medico, aprono contemporaneamente opportunità “stravolgenti” per il settore e questioni etiche e di ruolo della tecnologia del tutto nuove, che dispositivi medici “tradizionali” del passato non hanno mai posto. Probabilmente quest’ultima tipologia di applicazioni sarà quella veramente “disruptive” per l’intero settore sanitario del prossimo decennio.

Infine, è sempre importante ricordare che l’ambito sanitario trova, nella gestione dei dati, sempre due chiavi di lettura e applicazione: quella individuale, orientata alla cura del singolo paziente, e quella di popolazione, orientata alla interpretazione dei dati “massivi” relativi a fenomeni sanitari in ottica epidemiologica. Anche in quest’ambito le capacità di interpretazione degli strumenti di intelligenza artificiale promettono un supporto significativo alla ricerca ed alle applicazioni di sanità pubblica.

AI4Business: Di contro, quali sono le “sfide aperte”, i limiti da superare (sicurezza, privacy, maturità tecnologica, competenze, …)?

Foracchia: L’ambito sanitario è tradizionalmente fortemente regolamentato ed ogni tecnologia, per quanto adottata con entusiasmo, trova iter di applicazione clinica articolati e più lunghi rispetto ad altri settori. Questo, ovviamente, per garantire la sicurezza del paziente e assecondare la fisiologica e sana “ritrosia” degli operatori sanitari verso tecnologie che in ultima istanza ricadono comunque sulla loro responsabilità individuale.

Gli iter di regolamentazione sono posti ora a dura prova dalle tecnologie basate sull’intelligenza artificiale, in particolare quelle di machine/deep learning in quanto gli iter tradizionali di validazione difficilmente si applicano a strumenti il cui principio di funzionamento può in alcuni casi rimanere in parte “misterioso”. Su questo gli organismi di certificazione stanno ampiamente dibattendo e lavorando per adeguare filosofie e approcci.

Infine, non è da sottovalutare l’effetto generazionale sugli operatori sanitari. La differenza inter-generazionale di “atteggiamento” nei confronti della tecnologia è sempre presente, in medicina come in ogni altro ambito. Anche il radiologo più “datato” ha però abbracciato la rivoluzione introdotta da tecnologie 3D, pur non essendo queste parte del bagaglio culturale acquisito durante gli studi. Il passaggio verso l’Intelligenza Artificiale è però qualcosa di radicalmente diverso in quanto non prevede solo l’adozione di “nuovi strumenti” che arricchiscono il quadro informativo, ma l’adozione di strumenti che da un certo punto di vista si affianco al medico stesso nel ruolo di interpretazione. L’analisi della “reazione” a queste tecnologie sarà sicuramente da studiare nei prossimi anni.

Ultimo fattore di complessità, ma non meno importante, è il profondo mutamento del ruolo dei sistemi informativi in sanità. Se tradizionalmente questi sistemi sono sempre stati interpretati come semplice “supporto” al processo clinico, i nuovi strumenti di intelligenza artificiale portano ancora di più al centro il ruolo dell’informatica, ipotizzando in un futuro (forse utopistico… ma forse neanche tanto) una dimensione di “decisione autonoma” da parte di sistemi IT in sanità. Questo mutamento di ruolo richiede un profondo adeguamento culturale da parte di chi oggi gestisce tali sistemi, ed una inevitabile valorizzazione del ruolo strategico dei gestori dei sistemi ICT. Le associazioni del settore, e in particolare AISIS, sono consapevoli di questo profondo mutamento, e da anni seguono e approfondiscono le implicazioni di queste frontiere.

AI4Business: Ha già avuto modo di sperimentare alcune tecnologie di intelligenza artificiale nel suo campo professionale? Se sì, quali e con che impressioni?

Foracchia: Le sperimentazioni, anche nella nostra azienda, sono varie e vanno dalla interpretazione del testo naturale dei quesiti diagnostici allo scopo di valutarne la completezza e l’appropriatezza, fino alla interpretazione automatica delle diagnosi testuali allo scopo di classificarle in automatico. Sono inoltre in corso sperimentazioni su sistemi di analisi automatica delle immagini radiologiche.

Al momento il mercato è forse ancora immaturo, e le soluzioni disponibili in commercio, seppure promettenti, non sembrano essere consolidate. Risulta pertanto difficile indirizzare investimenti significativi, a meno di non incorrere nell’inevitabile rischio del “pioniere”. Come accade spesso, il mercato italiano, fortemente guidato dall’ambito pubblico e dai suoi sistemi di procurement, è forse in attesa di un consolidamento di alcune tecnologie sui mercati statunitensi e nord-europei, prima di intraprendere investimenti.