Negli ultimi anni si è verificata una adozione su larga scala di soluzioni di sanità digitale. Dalle sperimentazioni cliniche decentralizzate/virtuali, all’uso di algoritmi di AI per supportare il clinico nel processo diagnostico o predire la probabilità di insorgenza di patologie. Tuttavia, la maggior parte di queste soluzioni non è stata sottoposta a validazioni cliniche o presenta lacune metodologiche determinando un rischio di algoritmi con bias alto. L’inferenza causale con applicazioni in ambito salute è un’area di crescente interesse per determinare l’efficacia di interventi terapeutico dato uno specifico outcome di salute.
Sanità digitale e validazioni cliniche
Nell’ambito della sanità digitale si distinguono tre livelli crescenti di validazione clinica:
Soluzioni di digital health
Quando l’applicazione è in ambito consumer non richiedono studi clinici per valutare l’efficacia. Tali sono ad esempio app per smartphone in ambito lifestyle e wellness (es. applicazioni con programmi di fitness).
Applicazioni di sanità digitale
Quelle che hanno una destinazione d’uso finalizzata a misurare o avere un effetto sulla salute – medicina digitale – richiedono validazioni cliniche e l’approvazione di autorità sanitarie. Ne sono un esempio lo strumento di supporto alle decisioni del clinico (CDSS). Nell’ambito della medicina preventiva un CDSS è un sistema che avverte il clinico quando vi sono dei risultati atipici (es. da esami di laboratorio).
Terapie digitali (DTx)
Rappresentano un sottogruppo della medicina digitale. Per terapie digitale si intendono prodotti per prevenire, gestire e curare una malattia o un disturbo. Data la loro destinazione d’uso, le digital therapeutics devono essere sottoposte a un processo di validazione clinica e devono essere raccolte evidenze della loro efficacia nel mondo reale.
Il futuro delle sperimentazioni cliniche
La pandemia ha accelerato l’adozione di strumenti di sanità digitale non solo nella pratica clinica standard (es. telemedicina) ma anche nelle sperimentazioni cliniche. Il trend è un utilizzo sempre più massivo di tali soluzioni verso modelli di clinical trial ibridi/decentralizzati o interamente virtuali.
In questo contesto un’area di ricerca che sta emergendo sono i digital biomarker. Tradizionalmente clinical endpoint molto utilizzati nell’ambito delle sperimentazioni cliniche riguardano misure relative alla qualità della vita. Essi vengono raccolti tramite Clinical Outcome Assessment (COA). Si tratta di questionari compilati dal paziente, medico, caregiver o osservatore. L’adozione su larga scala di strumenti di sanità digitale apre nuove opportunità su come può essere misurata l’efficacia di un intervento. In particolare, i dati raccolti tramite dispositivi indossabili (es. smartwatch) hanno reso possibile lo sviluppo dei digital biomarker.
Si parla di digital biomarker nel contesto della medicina digitale. Si definiscono digital biomarker: “dati fisiologici e comportamentali oggettivi e quantificabili collezionati tramite dispositivi digitali (es. indossabili)”.
I dati collezionati da questi sono tipicamente utilizzati per spiegare, influenzare o predire gli outcome della salute.
È proprio in questo contesto che i digital biomarker (segnali raccolti da questi dispositivi) si legano all’intelligence artificiale. L’AI permette infatti di analizzare in real-time i dati e di processarli in una maniera significativa per il clinico/paziente.
Gli algoritmi di machine learning possono essere biased. È quindi necessario utilizzare metodo di inferenza causale (assieme alla consultazione dei clinici) per costruire modelli in grado di misurare un fenomeno quanto più possibile vicino alla realtà (determinazione causa/effetto).
In ambito sanitario, in particolare in epidemiologia, la valutazione del nesso causale tra un fattore di rischio, o trattamento e l’insorgenza di una malattia è da sempre uno dei tempi chiave.
L’inferenza causale ha lo scopo di misurare quale è l’impatto di un intervento (X) su un outcome (Y). Per identificare l’efficacia di un intervento e comparare le alternative è infatti necessario essere in grado di attribuire la casualità. In questo processo serve un gruppo di soggetti (counterfactual) con le stesse caratteristiche e che si sarebbe comportato nello stesso modo in assenza di un intervento. Per verificare se la variabile X (intervento) ha causato Y (trattamento) è necessario mantenere costanti le altre variabili. Quando le variabili sono correlate sia con l’intervento (X) sia con l’outcome (Y) si parla di variabili confondenti per evitare distorsioni.
Ad esempio l’età è correlata positivamente sia con il trattamento per smettere di fumare sia con la mortalità. Senza controllare le variabilità confondenti si potrebbe arrivare alla conclusione che il fumo riduce la mortalità (es. nel caso in cui un gruppo di età più avanzato abbia un tasso di persone sotto trattamento inferiore).
La mancanza di comprensione dei dati può portare infatti a un trattamento sbagliato.
Conclusioni
La sanità sta attraversando un periodo di grande trasformazione, reso possibile sia dalla tecnologia sia dalla necessità (pandemia). Molte sono le opportunità ma vi è anche il rischio di utilizzare modelli di AI non adeguati, con effetti potenzialmente negativi sulla salute delle persone. L’utilizzo di metodi statistici (es. inferenza causale) adeguati assieme alle competenze del clinico sono fondamentali per cogliere appieno le opportunità del digitale.
Fonti:
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6944984/
http://cega.berkeley.edu/assets/cega_events/36/Causal_Inference_and_Selection_Bias.pdf
https://ichi.pro/it/inferenza-causale-cosa-perche-e-come-236615838499308
