La sanità e la salute, più in generale, rappresentano un verticale d’impresa straordinario, universale, capace di impattare sulla totalità della popolazione e di influenzarne sostanzialmente la vita, sia nelle sue accezioni positive che in quelle negative.
Con il recente sviluppo di moderne tecnologie e strumenti di machine learning l’ambito sanitario ha da subito rappresentato uno dei temi chiave su cui si è focalizzata la ricerca scientifica e industriale, tre le principali ragioni abbiamo:
1. le innumerevoli opportunità offerte da questi strumenti nei diversi ambiti di applicazione del mondo sanitario:
- la maturità anche commerciale di queste tecnologie, ideali anche per un contesto di piccola e media impresa o di paesi ancora in via di espansione:
- l’efficienza ed efficacia di processo che l’applicazione di queste tecniche può generare su piccola ma sopratutto su larga scala.
A sostegno di tale scelta una breve espansione di questi tre punti potrà fornire uno sguardo prospettico più chiaro delle finalità perseguite e del modus operandi utilizzato durante queste attività di ricerca e sperimentazione.
Opportunità del machine learning nel campo sanitario
Le tecnologie di ML e AI hanno ormai penetrato tutti i settori del mondo healthcare, dal miglioramento della gestione dei processi sanitari alla scoperta di nuovi farmaci e anche se oggi è ancora improbabile che i computer possano sostituire completamente medici e infermieri, le moderne tecnologie stanno già trasformando l’industria sanitaria come la conoscevamo.
Sono centinaia se non migliaia le startup nate per offrire queste tecnologie in questo specifico dominio applicativo, le più importanti degli ultimi anni potrebbero essere raggruppate in:
Identificazione/diagnosi delle malattie
Un medico umano non è in grado di richiamare tutte le informazioni necessarie per fare una diagnosi rapida ma accurata, che sappia tener conto di tutto lo scibile, compreso sperimentazioni e paper accademici, applicandolo alla diagnosi dei propri pazienti. Tuttavia, è possibile alimentare un sistema basato sull’AI con dati rilevanti e lasciare che il computer setacci l’ampio database invece di affidarsi alle conoscenze umane molto più limitate.
L’identificazione delle malattie è stato pertanto uno dei primi campi di applicazione d questo tipo di tecnologie, in particolar modo nelle branche, ad alto tasso di criticità dove sono necessarie diagnosi precise in tempi brevi, come l’oncologia.
Tecnologie di computer vision alimentate da decine e centinaia di migliaia di immagini diagnostiche hanno permesso di migliorare il riconoscimento del cancro al seno, del melanoma, delle retinopatie oculari con casi di applicazione sempre più diffusi e affidabili e sempre meno “sperimentali” o a beneficio di pochi centri di avanguardia.
Terapie personalizzate
La medicina personalizzata, in grado di fornire un trattamento più efficace sulla base dei dati sanitari individuali abbinati all’analisi predittiva, rappresenta un’altra area di ricerca e sperimentazione di grande interesse scientifico. Il metodo di ricerca dominante in questo settore è finora l’apprendimento supervisionato, che permette ai medici di analizzare grandi quantità di dati e diagnosi e di stimare il rischio del paziente sulla base della somiglianza dei sintomi e delle informazioni genetiche.
Attualmente tale attività è svolta principalmente su dati statistici e dati “generici” / standard provenienti da banche dati “comuni” più o meno pubbliche. In un futuro prossimo, con l’aumento della convergenza di questi dati verso provider “unici” governativi o appartenenti a grandi gruppi del mondo ICT si potranno ottenere anamnesi individualizzate in linea con abitudini e stile di vita del paziente, ereditarietà familiari, cartelle cliniche, dati in tempo reale, allergie, stress, geolocalizzazione e altro ancora. Alcuni dati saranno ottenuti anche grazie al prezioso supporto della grande diffusione di dispositivi indossabili che oltre a raccogliere dati possono fornire suggerimenti su stili di vita, comportamento e postura più sani.
Scoperta e produzione di farmaci
Il machine learning è uno strumento molto diffuso anche nello studio di nuovi farmaci, utilizzato in diverse fasi del processo di sviluppo dallo screening iniziale dei compost chimici e organici alla previsione del tasso di successo basato su fattori biologici.
Anche in questo settore sono numerose le startup che utilizzano algoritmi di machine learning per la creazione di nuovi farmaci, tra i principali progetti degni di menzione vi sono sicuramente quelli del MIT Clinical Machine Learning Group all’avanguardia nello studio di patologie come il diabete di tipo 2 e il Project Hanover di Microsoft che in collaborazione con il Knight Cancer Institute e altri istituti medici di eccellenza a livello globale sta sviluppando tecnologie AI per il trattamento di precisione del cancro mediante farmacologia molecolare.
Ricerca clinica
L’apprendimento automatico ha diverse potenziali applicazioni che possono aiutare a dirigere la ricerca di studi clinici. Ad esempio, l’applicazione dell’analisi predittiva avanzata nell’identificazione dei candidati per gli studi clinici potrebbe fornire una gamma molto più ampia di dati, compresi i social media e le visite mediche, nonché informazioni genetiche sulle popolazioni target. Tecniche di campionamento migliori porterebbero a studi più piccoli, più veloci e meno costosi.
Il ML può anche essere utilizzato per il monitoraggio remoto e l’accesso ai dati in tempo reale; ad esempio, il monitoraggio costante dei segnali biologici per qualsiasi segno di danno ai partecipanti o per la loro eventuale morte. Alcune altre possibilità per le applicazioni ML includono la ricerca delle migliori dimensioni del campione, l’indirizzamento e l’adattamento alle differenze dei siti per il reclutamento dei pazienti e l’utilizzo di cartelle cliniche elettroniche per ridurre gli errori dei dati.
Previsione dei focolai epidemici
Un’altra applicazione efficace delle tecnologie ML e AI, di grande attualità in questi tempi (vd. Coronavirus) è il monitoraggio e la previsione di epidemie in tutto il mondo. Le fonti di dati includono dati raccolti dai satelliti, informazioni storiche sul web, aggiornamenti in tempo reale dei social media e altro ancora. Ad esempio, le Support Vector Machines e le reti neurali artificiali aiutano a prevedere le epidemie di malaria sulla base della temperatura, delle precipitazioni medie mensili, del numero totale di casi positivi e di altri dati.
La previsione della gravità delle epidemie è particolarmente cruciale nei Paesi del terzo mondo, che spesso mancano di infrastrutture mediche, opportunità di istruzione, competenze e accesso alle cure.
Assistenti alla persona
Gli assistenti medici virtuali rappresentano un altro importante caso di applicazione delle tecnologie di ML nell’ecosistema Healthcare. Le categorie di utenti che beneficerebbero maggiormente da questo tipo di assistenti virtuali sono gli anziani, i pazienti con malattie croniche e quelli delle zone rurali dove l’accesso alle cure è limitato. Un altro aspetto importante è che i pazienti possono sentirsi meno imbarazzati e più onesti quando condividono dettagli privati con un assistente virtuale piuttosto che con un umano per paura di essere giudicati. Secondo uno studio Accenture, gli assistenti infermieristici virtuali permetteranno un risparmio di 20 miliardi di dollari all’anno sui costi sanitari del sistema sanitario americano entro il 2026, riducendo il tempo che gli infermieri devono dedicare ai loro pazienti e migliorando drasticamente la qualità dei servizi erogati.
Il risparmio economico non è l’unico vantaggio dell’utilizzo di infermieri virtuali. Il personale infermieristico è spesso sovraccarico di responsabilità, il che nuoce al benessere dei pazienti. Quando il carico di lavoro di un infermiere supera il livello ottimale, le probabilità di incidenti per la sicurezza dei pazienti aumentano di circa il 30%. Automatizzando i compiti ripetitivi, gli infermieri virtuali collaborano con la qualità della vita e del lavoro del personale umano.
Un infermiere virtuale può monitorare i pazienti post-operatori per assicurarsi che le loro condizioni non si aggravino. Può raccogliere i segni vitali, rispondere alle domande dei pazienti e fissare un appuntamento con il medico. Gli infermieri virtuali sono disponibili 24 ore su 24, 7 giorni su 7 e sono programmati per mostrare empatia.
Maturità
Gli strumenti di machine learning non sono prerogativa di gruppi di ricerca di università californiane o di multinazionali con reparti IT all’avanguardia, dal 1950 a oggi il mondo è cambiato, la tecnologia è divenuta democratica, accessibile, diffusa e con barriere all’entrata in termini di competenze bassissime.
Tale abbattimento è fondamentale per una capillare diffusione anche nel mondo Sme (Small & Medium Enterprises) di questo tipo di tecnologie.
Una piccola o media impresa oggi non può comunemente permettersi Data Scientist e Devops capaci di sostenere in forma autonoma le task necessarie a progetti di applicazione di artificial intelligence in azienda a meno che non si rivolga direttamente a piattaforme esterne che offrono questi servizi in formule SaaS.
Conclusioni
In definitiva i servizi di machine learning permettono alle imprese di ottenere due risultati fondamentali; da un lato automatizzare i processi ripetitivi, liberando risorse per la crescita e per il miglioramento generale della qualità dei servizi e dall’altro un aumento in termini di operazioni, volumi di fatturato e clienti senza che via sia diretta proporzione all’incremento dei costi in termini di risorse umane e societarie.
