Modelli di previsione potenziati dall’IA destinati a far progredire la sanità di un balzo

L’obiettivo dell’IA è consentire alle macchine di imitare i pensieri e il comportamento umano, includendo apprendimento, ragionamento e previsione. Al centro di questo sforzo c’è la modellazione basata sull’IA, che funge da fondamento per la creazione di sistemi automatizzati e intelligenti.

Per costruire tali modelli, si utilizzano diverse tecniche, fondamentali per creare sistemi intelligenti applicabili in vari settori del mondo reale, tra cui finanza, sanità, agricoltura, cybersicurezza e altro.

Lo sviluppo di questi modelli impiega spesso diversi tipi di analisi — descrittiva, diagnostica, predittiva e prescrittiva — in base alla natura del problema e ai requisiti della sua soluzione.

Oggi, il nostro focus è sull’analisi predittiva, che esplora i dati per prevedere cosa accadrà in futuro. Utilizzando enormi quantità di dati, il modello interpreta schemi riconoscibili, facilitando previsioni accurate e aiutando a prendere decisioni informate. 

Fai clic qui per scoprire tutto sull’investimento nell’intelligenza artificiale.

L’abilità senza pari dell’IA di riconoscere le tendenze

L’IA possiede questa abilità senza pari di riconoscere le tendenze all’interno di un insieme di variabili. Questo perché, a differenza degli esseri umani, la tecnologia può elaborare rapidamente enormi quantità di dati, identificare schemi e tendenze e comprenderne il significato. 

È grazie agli algoritmi di apprendimento automatico che un modello di IA svolge il suo compito, ovvero prevedere l’output in base ai dati forniti.

Durante l’analisi di una tendenza, di solito si utilizzano reti neurali ispirate al funzionamento del cervello umano grazie alla loro capacità di apprendere e adattarsi. Altri algoritmi di apprendimento automatico fondamentali per l’analisi delle tendenze sono le macchine a vettori di supporto (SVM), che categorizzano i dati in classi distinte, e le foreste casuali, che aggregano più alberi decisionali per modelli predittivi potenti. La rete bayesiana è un altro esempio che utilizza modelli grafici probabilistici per rappresentare le dipendenze statistiche tra un insieme di variabili. 

Nel settore sanitario, sfruttare questi algoritmi di apprendimento automatico per costruire modelli di previsione potenziati dall’IA consente cure e piani di trattamento più personalizzati e migliori.  

A tal fine, l’IA setaccia diversi dati sanitari per evidenziare le tendenze emergenti nella progressione delle malattie. Ciò consente ai professionisti medici di affrontare preventivamente i problemi di salute e di adattare le strategie di trattamento, rimodellando l’assistenza al paziente.

Il potenziale della capacità dell’IA di rilevare schemi nella sanità

Ora, esaminiamo l’uso reale della capacità della tecnologia di riconoscere le tendenze all’interno di un insieme di variabili.

Strumento di sorveglianza IA per rilevare la sepsi prima dell’insorgenza dei sintomi

In uno studio recente, i ricercatori hanno scoperto di poter prevedere con successo l’infezione da sepsi in pazienti ad alto rischio e salvare vite utilizzando un nuovo algoritmo IA. 

La sepsi è una delle principali cause di mortalità e morbilità a livello mondiale. In questa condizione, il sistema immunitario del corpo risponde in modo estremo a un’infezione, causando danni ai propri tessuti e organi.

Negli Stati Uniti, ogni anno, almeno 1,7 milioni di adulti sviluppano sepsi e circa 350.000 muoiono a causa di questa infezione sanguigna potenzialmente letale. Nel frattempo, si stima che ogni anno siano colpite 48,9 milioni di persone in tutto il mondo, di cui circa 11 milioni muoiono.

Tuttavia, i ricercatori della School of Medicine dell’Università della California San Diego sono pronti a cambiare questi dati sfruttando l’IA.

Secondo lo studio pubblicato nell’edizione online di Digital Medicine, i ricercatori hanno sviluppato un algoritmo IA chiamato COMPOSER. Utilizza dati in tempo reale per indicare in anticipo se il paziente ha la condizione prima che i segni clinici si manifestino, lavorando “silenziosamente e in sicurezza dietro le quinte”. 

Il modello monitora continuamente ogni paziente alla ricerca di segni di sepsi, ha osservato il coautore dello studio Gabriel Wardi, MD, capo della Divisione di Cura Critica nel Dipartimento di Medicina d’Emergenza dell’UC San Diego (UCSD).

Il riconoscimento precoce della sepsi è fondamentale, poiché le interventi hanno maggiori benefici se implementati nelle fasi iniziali della malattia.

Il modello è stato utilizzato nei dipartimenti di emergenza di UC San Diego Health, l’unico sistema medico accademico della regione, per identificare i pazienti a rischio di infezione da sepsi e ha ridotto la mortalità del 17%.

Il suo funzionamento prevede che, dopo il check‑in del paziente al pronto soccorso, COMPOSER inizi a monitorare oltre 150 diverse variabili del paziente che potrebbero essere correlate alla sepsi. Queste variabili includono dati demografici, storia medica, segni vitali e risultati di laboratorio.

Se a un paziente vengono riscontrate più variabili, risultando in un alto rischio di infezione da sepsi, l’algoritmo notifica il personale infermieristico tramite il fascicolo sanitario elettronico dell’ospedale. Il personale quindi consulta il medico per conferma e per determinare i piani di trattamento appropriati per il paziente. 

“Questi avanzati algoritmi IA possono rilevare schemi che non sono inizialmente evidenti all’occhio umano.” 

– Shamim Nemati, Ph.D., coautore dello studio e direttore dell’analisi predittiva e professore associato di informatica biomedica presso la UC San Diego School of Medicine

Ha inoltre aggiunto:

“Il sistema può esaminare questi fattori di rischio e fornire una previsione della sepsi altamente accurata.”

Lo studio, finanziato dal National Institutes of Health, dalla National Library of Medicine e dal Joan and Irwin Jacobs Center for Health Innovation presso UC San Diego Health, ha esaminato oltre 6.200 ammissioni di pazienti prima e dopo l’implementazione dell’algoritmo IA nei dipartimenti di emergenza dell’ospedale.

È il primo studio che ha utilizzato un modello di deep learning IA e ha riportato miglioramenti negli esiti dei pazienti. Il modello utilizza reti neurali artificiali per identificare in modo accurato e sicuro fattori di rischio complessi e multipli nei pazienti. Wardi ha dichiarato:

“È grazie a questo modello IA che i nostri team possono fornire terapie salvavita ai pazienti più rapidamente.”

COMPOSER è stato attivato per la prima volta più di un anno fa, a dicembre 2022. Attualmente è utilizzato in molte unità ospedaliere di UC San Diego Health e, in futuro, anche il campus orientale di UC San Diego Health inizierà a usarlo.

Recentemente, il Health Care Center ha annunciato il suo primo chief health AI officer. Ha inoltre avviato un progetto pilota in cui i sistemi di cartelle cliniche elettroniche basati su cloud, Epic e ChatGPT, redigono automaticamente risposte più compassionevoli, consentendo a medici e assistenti di concentrarsi sull’assistenza al paziente.

“L’integrazione della tecnologia IA nella cartella clinica elettronica sta contribuendo a mantenere la promessa della salute digitale.”

– Christopher Longhurst, coautore dello studio e direttore esecutivo del Jacobs Center for Health Innovation e chief medical officer e chief digital officer presso UC San Diego Health

Software per analizzare i dati genomici e prevedere le malattie con precisione

Un altro esempio di modelli di previsione potenziati dall’IA che aiutano il settore sanitario è visibile in uno studio pubblicato la scorsa settimana. Creato presso Rutgers Health, il software unico nel suo genere chiamato IntelliGenes combina IA e apprendimento automatico per aiutare a prevedere le malattie negli individui. Il modello esamina i dati genomici per individuare biomarcatori legati alla salute al fine di produrre previsioni personalizzate per i pazienti e una loro rappresentazione visiva.

I dati multi‑genomici forniscono informazioni sulla composizione genetica intrinseca di un paziente e hanno il potenziale di scoprire nuovi biomarcatori basati sul loro rischio di malattia. Lo studio ha osservato:

“Crediamo che l’uso sinergico di più algoritmi IA fornisca risultati più accurati, tragga conclusioni approfondite e previsioni precise sui problemi del mondo reale rispetto a un singolo algoritmo IA da solo.”

Ha inoltre riscontrato che la Support Vector Machine (SVM) e la Random Forest (RF) sono gli algoritmi di apprendimento automatico più efficaci per effettuare previsioni con alta precisione e risolvere i problemi di regressione e classificazione.

Attualmente non esistono strumenti IA disponibili per investigare e interpretare l’intero genoma umano, soprattutto per individui non esperti nel campo. Per questo motivo, i ricercatori hanno sviluppato IntelliGenes, che può essere utilizzato da chiunque, inclusi coloro che non possiedono molta conoscenza delle tecniche di bioinformatica o non hanno accesso a computer ad alte prestazioni.

Utilizzando una combinazione di algoritmi di apprendimento automatico, i ricercatori di Rutgers Health mirano a scoprire informazioni che solitamente sfuggono alle statistiche classiche e alle tecniche tradizionali di bioinformatica.

I ricercatori hanno poi applicato IntelliGenes in un altro studio per scoprire nuovi biomarcatori e prevedere le malattie cardiovascolari (CVD) con alta precisione.

Il corretto utilizzo delle metodologie IA e ML, secondo lo studio, può fornirci nuove intuizioni e comprensioni delle malattie cardiovascolari. Questo, a sua volta, consentirà trattamenti personalizzati migliori.

Lo studio è iniziato con una vigorosa pre‑elaborazione dei dati di espressione genica e ha poi utilizzato tre test statistici per valutare le differenze nell’espressione trascrittomica (studio dell’insieme completo di RNA) e le differenze tra le caratteristiche cliniche dei pazienti con CVD e quelle degli individui sani.

Nella sua ricerca, il team ha scoperto 18 biomarcatori trascrittomici altamente significativi nella popolazione CVD. Questi sono stati poi utilizzati per prevedere la malattia con una precisione fino al 96%. Questi risultati sono stati anche convalidati con i record clinici raccolti dai pazienti della coorte.

“C’è un enorme potenziale nella convergenza dei set di dati e negli sviluppi sbalorditivi dell’intelligenza artificiale e dell’apprendimento automatico.”

– Zeeshan Ahmed, autore principale dello studio. Ahmed è membro della facoltà del Rutgers Institute for Health, Health Care Policy and Aging Research (IFH) e professore assistente di medicina presso la Robert Wood Johnson Medical School

Secondo lui, il modello non solo supporta la rilevazione precoce personalizzata di malattie comuni e rare negli individui, ma apre anche le porte a ricerche più ampie che alla fine porteranno a nuovi interventi e trattamenti.

L’IA non è ancora una soluzione perfetta!

Come abbiamo visto, i modelli potenziati dall’IA hanno vantaggi significativi nel campo della sanità. Hanno la capacità di rilevare le malattie con largo anticipo e alta precisione, proteggendo molte vite. Tuttavia, non sono ancora la soluzione definitiva, almeno per ora. Questo è evidente in uno studio pubblicato all’inizio di questo mese che ha mostrato che, quando l’IA viene applicata nel mondo reale, si verificano errori.

Pubblicato all’inizio di questo mese sulla rivista Modern Pathology, questo studio è il primo a esaminare come la contaminazione dei tessuti influisca sui modelli di apprendimento dell’IA.

In questo studio, i ricercatori hanno addestrato tre modelli IA per analizzare vetrini al microscopio di tessuto placentare, con compiti tra cui identificare danni ai vasi sanguigni, stimare l’età gestazionale e classificare lesioni macroscopiche. Inoltre, è stato addestrato un quarto modello per rilevare il cancro alla prostata in campioni di tessuto provenienti da biopsie con ago.

Per testare la loro robustezza, i ricercatori hanno poi esposto ogni modello a piccole porzioni di tessuto contaminante — come sangue e tessuto vescicale — prelevate casualmente da altri vetrini. Questo passaggio mirava a imitare le condizioni del mondo reale in cui i contaminanti sono spesso presenti.

Valutando le prestazioni dei modelli IA, è stato scoperto che tutti e quattro i modelli hanno deviato la loro attenzione verso i contaminanti del tessuto anziché concentrarsi sui compiti principali. Questa distrazione ha provocato imprecisioni nella determinazione dell’età gestazionale, nella diagnosi del cancro alla prostata, nell’identificazione delle lesioni e nella valutazione dei danni ai vasi sanguigni. Ciò avviene perché le IA incontrano una varietà di materiali nel mondo reale per i quali non sono state addestrate, a differenza degli ambienti simulati puliti in cui sono state formate.

“I nostri risultati ricordano che un’IA che funziona incredibilmente bene in laboratorio può cadere rovinosamente nel mondo reale. I pazienti dovrebbero continuare a aspettarsi che un esperto umano sia l’ultimo decisore nelle diagnosi effettuate su biopsie e altri campioni di tessuto. I patologi temono — e le aziende IA sperano — che i computer stiano arrivando a sostituire i nostri posti di lavoro. Non ancora.”

– Coautore Dr. Jeffery Goldstein

Non solo per l’IA, ma anche per i patologi, che sono ampiamente addestrati a rilevare la stessa cosa, la contaminazione del tessuto è un problema piuttosto comune. Tuttavia, lo studio sottolinea che medici e ricercatori non patologi spesso rimangono sorpresi da ciò. Si è osservato che, in una giornata tipica, su 80‑100 vetrini esaminati da un patologo, 2‑3 presentano contaminanti, che vengono ignorati.

Secondo lo studio, i modelli IA si comportano in modo simile, proprio come gli esseri umani esaminano i tessuti sui vetrini. Quando esaminano i tessuti sui vetrini, gli umani possono osservare solo un campo limitato all’interno del microscopio e poi spostarsi a un nuovo campo, combinando tutte le informazioni raccolte per formulare una diagnosi.

Tuttavia, è stato facilmente riscontrato che l’IA viene fuorviata dai contaminanti poiché deve decidere a cosa prestare attenzione e a cosa no. “È una somma zero,” ha detto Goldstein, direttore di patologia perinatale e professore assistente di patologia perinatale e autopsia presso la Feinberg School of Medicine della Northwestern University, spiegando:

“Se presta attenzione ai contaminanti del tessuto, allora presta meno attenzione al tessuto del paziente che viene esaminato.”

Secondo gli autori dello studio, i professionisti dovrebbero lavorare per quantificare e migliorare il problema dell’incapacità dei modelli IA di codificare le impurità biologiche.

Tuttavia, i risultati hanno reso Goldstein “fiducioso che le valutazioni IA della placenta siano fattibili,” definendo la distruzione dell’IA un “ostacolo temporaneo”. Significa semplicemente: “Siamo sulla strada per integrare meglio l’uso dell’apprendimento automatico nella patologia,” ha aggiunto.

Aziende che possono beneficiare dei modelli di previsione potenziati dall’IA

Con i modelli IA che mostrano grandi promesse, vediamo ora quali aziende trarranno il maggior beneficio da essi:

1. Google DeepMind

È una filiale del gigante tecnologico Google che mira a risolvere l’intelligenza per “avanzare la scienza e beneficiare l’umanità.” 

Recentemente, i ricercatori di Google DeepMind hanno rivelato di aver creato un assistente IA per i medici chiamato Articulate Medical Intelligence Explorer (AMIE) che può aiutare a diagnosticare i pazienti. Un altro documento dell’organizzazione ha proposto WARM per affrontare il reward hacking nei LLM.

Con le sue azioni che scambiano a $152,59, in crescita dell’8,94% dall’inizio dell’anno, al momento della stesura, Google (GOOGL) ha una capitalizzazione di mercato di $1,9 trilioni. L’azienda ha registrato un fatturato (TTM) di $297 miliardi con un EPS (TTM) di 5,21 e un P/E (TTM) di 29,19.

2. Siemens Healthineers

L’azienda leader nel settore sanitario ha scommesso sull’IA per trasformare l’industria della salute. Siemens Healthineers (SHL.SW ) (SHL.DE ) ha sviluppato 84 prodotti supportati dall’IA a partire da novembre 2023 e detiene oltre 800 brevetti relativi alla tecnologia.

Scorporata dalla sua casa madre Siemens, il fornitore di soluzioni sanitarie ha una capitalizzazione di mercato di $63 miliardi con le azioni che scambiano a $51,68. Siemens Healthineers ha un EPS (TTM) di 1,35 e un P/E (TTM) di 38,28.

Considerazione finale

Come abbiamo visto, l’IA offre enormi promesse nell’analisi delle tendenze e, con il progresso della tecnologia, vedremo intuizioni ancora più accurate e azionabili, nonché innovazioni in tutti i settori. Nella sanità, i modelli di previsione guidati dall’IA sintetizzano dati, intuizioni e interventi per personalizzare l’assistenza sanitaria e ottimizzare i risultati. 

Fai clic qui per scoprire la crescente sinergia tra IA e neuroscienze.