Come mettere al lavoro Machine learning e Intelligenza artificiale nella sanità

Grazie all’applicazione dell’Intelligenza Artificiale e del Machine Learning è possibile ottenere strumenti capaci di automatizzare e migliorare i processi data-driven dell’impresa ospedaliera. Senza aggiungere complessità a livello delle risorse IT, rendendo più produttivo ed efficiente il lavoro del Data Scientist. *IN COLLABORAZIONE CON INTERSYSTEMS ITALIA

In una precedente intervista abbiamo visto come le potenzialità dell’Intelligenza Artificiale (AI) e del Machine Learning (ML) si prestino a essere applicate al mondo della sanità, a supporto sia del lavoro del medico, per la definizione di terapie personalizzate, sia della ricerca presso le aziende farmaceutiche. Abbiamo parlato dei differenti algoritmi che permettono di analizzare una grande mole di dati per estrarre conoscenza e/o fare previsioni. Vediamo ora in concreto, con l’aiuto di Federico Coda Zabetta, Healthcare Solution Architect di InterSystems (in foto), come rendere disponibili queste funzionalità.

Come integrare e preparare i dati per l’impiego di AI e ML

La promessa che accompagna l’applicazione delle moderne tecnologie di AI e ML ai dati sanitari provenienti da sistemi diagnostici, cartelle cliniche, registrazioni relative ai percorsi terapeutici e così via, è quella di poter estrarre più informazioni utili, superando i limiti delle tradizionali tecniche analitiche. Come accade per queste ultime, “se i dati di partenza non sono buoni – spiega Federico Coda Zabetta – non lo saranno nemmeno gli outcome ottenuti con l’impiego degli algoritmi più avanzati. Per questo motivo, ben prima di poter applicare analisi o modelli di AI, serve pulire le informazioni di partenza da errori, duplicazioni o mancanze”. I dati da utilizzare possono arrivare al sistema in formati diversi, sottoforma di tabelle, immagini, file, messaggistica e simili, e devono quindi essere aggregati, standardizzati e ulteriormente elaborati. Questo è ciò che avviene, per esempio, durante l’applicazione del processo di anonimizzazione o pseudo-anonimizzazione alla tutela della privacy dei pazienti.

“Nel lavoro del Data Scientist, la preparazione dei dati può facilmente assorbire il 90% del tempo necessario all’intera lavorazione – precisa Coda Zabetta – per questo InterSystems ha integrato tutte le funzioni utili in un’unica piattaforma di integrazione e analisi dati. In questo modo, il Data Scientist si libera dalle attività propedeutiche di organizzazione dei dati e può dedicare maggior tempo e risorse a ciò che più conta del suo lavoro: il vero e proprio post processing dei dati”. Questo approccio avvantaggia anche le attività del Data Scientist finalizzate alla ricerca dei modelli di AI e ML. Attraverso una serie di plug-in e integrazioni native presenti nella piattaforma, il Data Scientist può continuare a usare i propri tool preferiti, creare algoritmi con linguaggi di programmazione specifici (ad esempio tipo R oppure Python) o con servizi esterni in cloud a consumo, prelevando i dati preparati ed elaborati automaticamente dalla piattaforma.

“Anche se InterSystems dispone di propri strumenti per lo sviluppo degli algoritmi di AI e ML, è possibile collegarsi a qualsiasi ambiente esterno per tali operazioni, così come avviene per le fonti di dati, integrate tramite protocolli standard come Java DataBase Connectivity (JDBC) – precisa Coda Zabetta – L’approccio integrato rende più facile sfruttare le capacità intelligenti nelle attività di routine e garantisce l’apertura verso il mondo degli algoritmi. Inoltre, restituendo i risultati derivanti dall’applicazione dei modelli alla piattaforma, diventa possibile utilizzarli anche nella gestione dei processi e dei workflow”.

Le modalità per impiegare AI e ML nella pratica ospedaliera

Mentre la creazione e l’addestramento dei modelli di AI e ML richiedono specializzazione e tempo, l’utilizzo dei modelli per predire malattie o rischi è più semplice e può fornire risultati in tempo reale. “I dati sono a disposizione del medico mentre visita il paziente. – continua Coda Zabetta – I modelli di AI e ML entrano a far parte dei processi coordinati che raccolgono i dati utili, ne danno un’interpretazione intelligente e scatenano notifiche e azioni nell’ambito di workflow articolati. Il valore dell’integrazione dei dati e delle applicazioni offerto da questo tipo di piattaforma si estende anche ai processi e rende efficace la connessione tra il lavoro del Data Scientist e la realtà dell’azienda sanitaria. Non avere sistemi tra loro isolati è un requisito fondamentale per l’efficienza”.

Grazie a un database flessibile e scalabile, che funge da motore per la gestione di una grande mole di dati, è possibile ottenere un supporto alle operazioni delle più complesse tecnologie di AI e ML rendendo i dati fruibili anche dai processi aziendali. La disponibilità di una libreria di algoritmi per esigenze generali si avvantaggia della possibilità di caricare componenti algoritmiche negli standard AutoML, H2O e Data Robot. È inoltre possibile condividere modelli concepiti in Predictive Model Markup Language (PMML) di qualsiasi fornitore. “PMML è uno standard di fatto nel campo dell’analisi predittiva, comune in molti impieghi. – spiega Coda Zabetta – I modelli predittivi così realizzati sono utili in campo sanitario per fare prevenzione, per formulare ipotesi diagnostiche o per individuare situazioni di rischio sulla base dei dati disponibili. Sono inoltre utili nell’ambito puramente gestionale, per esempio, per prevedere quanti pazienti non si presenteranno un certo giorno a un appuntamento oppure per ottimizzare l’utilizzo delle risorse in ambito ospedaliero”.

Nei mesi passati, InterSystems in collaborazione con l’ASST Grande Ospedale Metropolitano Niguarda ha realizzato un proof of concept per calcolare la probabilità di ricovero delle persone a cui viene diagnosticata un’infezione da SARS-CoV-2. La piattaforma di InterSystems è stata usata a supporto di un Data Lake contenente l’archivio di referti e di immagini digitali DICOM, integrate attraverso un Vendor Neutral Archiving (VNA), ovvero una tecnologia di imaging medicale in cui immagini e documenti sono archiviati in un formato standard facilmente accessibili da tutti i sistemi. I dati alimentano così un algoritmo di ML che, correlando le informazioni ottenute dai dati storici, è in grado di predire se il paziente è a rischio o meno di aggravamento.

I vantaggi di una piattaforma integrata per un facile impiego di AI e ML

La piattaforma di InterSystems di cui abbiamo parlato in questo articolo per realizzare soluzioni di AI e ML si chiama IRIS for Health: offre funzionalità di scalabilità e flessibilità per la gestione completa dell’intero ciclo di vita dei dati sanitari. In particolare, propone un motore transazionale multi-modello, una piattaforma di sviluppo applicativa, un middleware di interoperabilità unitamente a strumenti di analisi dei dati e un supporto per soluzioni di Intelligenza Artificiale e Machine Learning.

L’utilizzo degli algoritmi di AI e ML non compromette le performance operative della piattaforma dati di InterSystems. “Ciò che richiede maggiore potenza di calcolo è la fase di creazione e di training del modello, operazioni solitamente occasionali. – sottolinea Coda Zabetta – L’esecuzione del modello addestrato, in seguito al fine tuning e alla sua validazione, non necessita invece di molte risorse computazionali”. La soluzione non richiede particolari risorse per sfruttare le potenzialità dell’AI e del ML: preparazione dei dati, integrazione con gli strumenti per creare modelli e algoritmi, sviluppo di modelli utili nella quotidianità. Tra gli strumenti forniti con il modulo di Predictive Analytics c’è anche un Model Tester PMML per le validazioni, oltre a un Integrated ML che estende le capacità analitiche anche agli algoritmi di altri fornitori. “L’approccio che abbiamo scelto facilita il più possibile l’impiego delle proprietà di AI e ML. Con l’Integrated ML si rendono disponibili le capacità di learning e predittive attraverso semplici comandi SQL, rispondendo all’esigenza dei reparti IT ospedalieri di avvalersi di soluzioni AI e ML anche quando non sono disponibili le competenze del Data Scientist”, conclude Coda Zabetta.

In questo modo è diventato più facile integrare capacità intelligenti e predittive nei processi di routine dell’azienda ospedaliera, sviluppare soluzioni allo stato dell’arte a supporto della diagnostica medica, così come per l’ottimale utilizzo delle risorse dell’istituto. Tutto questo senza aggiungere complessità a livello di gestione IT, favorendo l’integrazione di dati e processi a vantaggio della qualità dei servizi ai pazienti.

 

Homepage della rubrica “Il valore dei dati nella sanità digitale: sfide, processi e tecnologie”

In collaborazione con InterSystems Italia