Machine learning e pratica clinica: è già realtà?

Nella maggior parte dei casi la validazione degli algoritmi avviene tramite analisi retrospettive. Pur essendo lavori importanti, trattandosi di dati non raccolti con quelle specifiche finalità, spesso per perseguire l’obiettivo dello studio si deve ricorrere a dei proxy e per questo presentano delle limitazioni

Machine learning

Anche in ambito sanitario, si sente sempre più spesso parlare di machine learning e intelligenza artificiale nel suo complesso. Molto viene fatto a livello di ricerca, portando anche alla pubblicazione di numerosi articoli scientifici. Nella maggior parte dei casi, però, la validazione degli algoritmi di machine learning avviene tramite analisi retrospettive. Pur essendo lavori importanti, trattandosi di dati non raccolti con quelle specifiche finalità, spesso per perseguire l’obiettivo dello studio si deve ricorrere a dei proxy e per questo presentano delle limitazioni.

Machine learning nella pratica clinica: le difficoltà

Traslare gli approcci di machine learning alla pratica clinica è impegnativo per diversi motivi.

Sicurezza dei pazienti

Innanzitutto, alcuni metodi richiedono una interazione con i pazienti in maniera prospettica. Ad esempio l’apprendimento per rinforzo (reinforcement learning, una sorta di trial-and-error in cui l’algoritmo si adatta valutando i risultati precedenti). Nelle prime fasi di apprendimento, ciò potrebbe significare un maggior rischio di eventi avversi. Non conta quindi solo il risultato finale ma vi sono quindi alcune costrizioni in più sulla scelta dell’algoritmo.

Tipologia dei dati disponibili e cartella clinica elettronica

In secondo luogo, la cartella clinica elettronica è nata come una dematerializzazione della tradizionale cartella clinica cartacea e attualmente di rado è ottimizzata per informare i sistemi di clinical intelligence. I dati, poi, sono spesso organizzati e archiviati in una varietà di sistemi, richiedendo un’integrazione e armonizzazione prima di poterli impiegare per allenare algoritmi di machine learning e prendere decisioni automatizzate.

Qualità dei dati

Un aspetto ovviamente importante è la qualità dei dati. Nei dati dei pazienti vi sono facilmente valori mancanti, eterogeneità, errori e artefatti, con conseguenze nel processo decisionale che possono essere significative.

La situazione attuale

Fino a che la qualità dei dati clinici raccolti non migliorerà, è importante che i modelli di machine learning siano in grado di lavorare correttamente anche in presenza di una certa quantità di “rumore”, perché questa è la realtà in cui attualmente questi modelli sarebbero chiamati ad agire.

Le applicazioni esistenti che sfruttano il machine learning in ambito clinico rimangono in gran parte di natura accademica e i dati utilizzati spesso non riflettono quanto disponibile nella normale pratica clinica.

Verso un supporto concreto alla pratica clinica

Un passo per chiudere il “gap” fra accademia, titoli sensazionalistici dei giornali e pratica clinica può essere, innanzitutto, quello di mettere a punto e misurare l’efficacia di un approccio basato sul machine learning in un contesto “real world”. Ad esempio con uno studio prospettico condotto al di fuori di quello che può essere un ambiente controllato, come un laboratorio o una simulazione, ma nell’ambiente in cui una volta approvata questa tecnologia dovrebbe effettivamente essere impiegata (ad es. in un reparto o anche, nel caso di tecnologie fruibili direttamente dai pazienti/consumatori, presso le proprie abitazioni).

Da una medicina reattiva a una medicina preventiva

Le tecnologie in ambito sanitario non sono necessariamente confinate alla gestione del paziente e alle cure, ma possono avere un peso rilevante anche quando si parla di prevenzione. Anzi, più si andrà verso una medicina preventiva piuttosto che reagire solo una volta che si manifestano i sintomi e meglio sarà per tutti. Sia per la salute dei cittadini che per la sostenibilità del sistema salute.

Alimentazione, machine learning e prevenzione: un esempio

Se si parla di prevenzione, un grosso impatto sulla salute di tutti noi è dato dall’alimentazione. Persone diverse però possono rispondere allo stesso pasto in maniera decisamente differente. Ad esempio, per quanto riguarda i livelli glicemici post-prandiali, un team di ricercatori israeliani (Zeevi et al.) ha osservato un’ampia eterogeneità di risposta. L’iperglicemia post-prandiale è uno dei maggiori fattori di rischio per il prediabete e il diabete di tipo 2, che a loro volta rappresentano dei fattori di rischio per condizioni, quali ad esempio obesità e ipertensione. La dieta che è salutare per qualcuno non è quindi poi così salutare per altri, ma la tecnologia può venire in nostro aiuto. Nell’esempio in questione proprio tramite il machine learning.

Per creare l’algoritmo, i ricercatori hanno seguito per una settimana 800 volontari, sani o con prediabete. Inizialmente veniva stilato per ciascuno una sorta di profilo (microbioma intestinale, analisi del sangue, dati antropometrici e questionari su abitudini alimentari e stile di vita). Dopodiché sono stati raccolti durante la settimana numerosi dati “real-life” sui pasti e stile di vita, tramite un sito web fruibile da mobile, e sui valori glicemici, grazie ad un sensore per il monitoraggio continuo.

Considerando tutti questi dati, grazie al machine learning sono riusciti a costruire un modello in grado di prevedere con un’elevata accuratezza la risposta di ciascun partecipante, decisamente più affidabile del conto dei carboidrati che rappresenta attualmente il gold standard (correlazione 68% vs 38%). La conferma ulteriore della validità di tutto ciò è giunta testando l’algoritmo su una coorte indipendente di 100 nuove persone, sulla base del solo profilo iniziale (senza più bisogno quindi di impiegare un sensore per il monitoraggio continuo del glucosio).

Il passo successivo è stato quindi quello di impiegare questo algoritmo per suggerire dei pasti più salutari a seconda della persona, permettendo una prevenzione davvero personalizzata.

Verso una medicina sempre più personalizzata

Quante patologie/disturbi presentano una tale variabilità nelle risposte da individuo a individuo?

Nessun professionista sanitario potrebbe mai tenere in considerazione così tanti fattori come nell’esempio nel prendere una decisione (137 caratteristiche, di cui 72 legate al microbioma, anziché la sola conta dei carboidrati usata attualmente). Solo grazie alle nuove tecnologie è possibile una gestione della salute delle persone veramente personalizzata.

… anche in altre aree terapeutiche

Nell’ambito dei disturbi depressivi, ad esempio, troviamo in un candidato digital therapeutic anche l’applicazione del machine learning. Il trattamento è basato su una tipologia di terapia comportamentale. L’app è poi supportata da un sito internet (per il training di abilità comportamentali) e contatti via telefono/email con un coach assegnato (per una migliore aderenza terapeutica).

L’innovazione però non si limita al solo veicolare tale terapia tramite strumenti digitali ma si giova dell’applicazione del machine learning.

Sfruttando non solo le informazioni inserite attivamente dai pazienti, ma anche i sensori dello smartphone, si cerca di prevedere il contesto e l’umore dei pazienti. In particolare il modello ha l’obiettivo di imparare, in quel particolare paziente, quali sono le condizioni che solitamente si associano a momenti e depressivi e quali no, così da poter incentivare le abitudini “positive” e scoraggiare comportamenti associati alla depressione, fornendo una terapia sempre più personalizzata.

Lo studio preliminare condotto, tuttavia, benché promettente ha evidenziato la necessità di migliorare l’accuratezza di alcune previsioni. In ogni caso però si tratta della prima applicazione riportata di un algoritmo di machine learning (regressione e alberi decisionali nello specifico) per comprendere meglio, nella vita di tutti i giorni, i comportamenti dei singoli pazienti e le conseguenze sulle emozioni negative.

Un primo passo che confidiamo sarà seguito da molti altri, anche in differenti aree terapeutiche.

Algoritmi approvati e prospettive future

Se i dati real-world dell’uso del machine learning nella pratica clinica ad oggi non si può dire che abbondino, la situazione è certamente destinata a migliorare con lo scorrere del tempo.

Basti pensare che l’FDA ad oggi ha già approvato l’utilizzo di ben 39 algoritmi basati sull’intelligenza artificiale. Radiologia, cardiologia ed endocrinologia gli ambiti più interessati fino ad ora, ma non ovviamente gli unici.

FDA Approvals for Artificial Intelligence-based algorithms in medicine

Nell’aprile 2018, inoltre, è stato approvato il primo algoritmo per poter effettuare una diagnosi senza supervisione richiesta da parte del medico. Nello specifico si tratta di un sistema di screening per la popolazione diabetica. A partire dall’immagine della retina, il software in cloud effettua la diagnosi per la retinopatia diabetica.

Quello che fino a poco tempo fa poteva sembrare fantascienza, pian piano sta diventando realtà.

Bibliografia essenziale

 

Homepage rubrica “Digital Insight Blog”