L’IA nella Medicina e nell’Emergenza-Urgenza, quali prospettive e quali applicazioni

L’IA nella Medicina e nell’Emergenza-Urgenza, quali prospettive e quali applicazioni

Autore: Matteo Storti Gajani, editor presso Rescue Press

Grazie al contributo di:

Prof.ssa Elena Giovanna Bignami, Direttrice dell’UOC Anestesia e Rianimazione del Complesso chirurgico generale dell’Ospedale Universitario di Parma;

Prof. Aurelio Uncini, Docente ordinario dipartimento ingegneria informazione e telecomunicazioni dell’Università La Sapienza di Roma;

Intelligenza Artificiale o Artificial Intelligence, dall’Inglese, è sinonimo di un concetto vasto e decisamente complicato da capire, specie per chi si approccia a questo mondo per la prima volta. Cercheremo, con questo articolo, di realizzare uno “state of the art” di quelle che sono le proposte, le sfide e le possibili applicazioni dell’AI nell’ambito dell’Emergenza-Urgenza.

Per spiegare meglio e comprendere a pieno di cosa stiamo parlando, abbiamo deciso di intervistare il prof. Aurelio Uncini, Docente ordinario dipartimento ingegneria informazione e telecomunicazioni dell’Università La Sapienza di Roma, studioso di queste tematiche da oltre 40 anni. Grazie al suo prezioso contributo, nei prossimi paragrafi potremo spiegarvi che cos’è l’IA e quali sono i suoi limiti e campi di applicazione.

IA ed IA Moderna

La prima grande precisazione da fare, riguarda il concetto odierno di IA. Negli anni passati, le macchine erano in grado di prendere decisioni preimpostate in situazioni conosciute, per le quali in un certo senso erano state “programmate”. Il concetto moderno di IA, è qualcosa di molto più sofisticato e tecnologico, quasi un cervello biologico. La grande innovazione, infatti, sta nell’implementazione di quello che è il “machine learning”, attraverso reti neurali profonde (o “deep neural network”) in grado di adattarsi ed apprendere alcuni concetti per poi generalizzare anche rispetto a situazioni mai viste. Oggi la macchina, ovvero la deep neural network, è in grado di prendere decisioni considerando molteplici variabili ed analizzando più scenari contemporaneamente, tutto ciò basandosi su dati, immagini ed una vera e propria esperienza personale acquisita grazie al concetto di machine learning.

Come fa una macchina ad imparare?

La risposta del prof. Uncini è stata inequivocabile: La macchina, apprende esattamente come un bambino. Proprio come un bambino, la macchina per apprendere ha bisogno di essere stimolata ed istruita a comprendere determinate regole e situazioni, a seconda dei campi di applicazione. Proprio per questo motivo, esistono delle reti neurali iper-specializzate capaci di raccogliere dati ed apprendere determinate informazioni relative all’ambito di applicazione diventando sempre più capaci e sempre più affidabili. Un esempio di applicazione riguarda la medicina di precisione o il campo della diagnostica per immagini, dove se istruita, la macchina è in grado di formulare una diagnosi corrispondente o in alcuni casi anche migliore del professionista(1). Secondo un recente studio, infatti, istruendo la macchina con particolari e complessi algoritmi di Deep Learning si potrebbe ottenere un risultato futuro migliore in termini di precisione della diagnosi, coadiuvando il professionista nella valutazione dei reperti di imaging e nella formulazione della diagnosi finale.

l’IA nella Diagnostica Per Immagini: il progetto dell’Università “La Sapienza”

Nel campo della diagnostica per Immagini, l’IA si sta rivelando uno strumento estremamente efficace ed utile su molteplici fronti. In precedenza abbiamo visto come l’IA sia in grado di aiutare il professionista nella formulazione di una diagnosi più precisa ed accurata ma esistono anche altri progetti, altrettanto interessanti, riguardanti ad esempio il rendering delle Immagini per le Risonanze Magnetiche. Presso l’Università “La Sapienza” di Roma, e’ infatti attivo un progetto riguardante lo studio delle immagini cerebrali dei pazienti affetti da Sclerosi Multipla. In questo ambito, le immagini prodotte dalle RM richiedono diverso tempo per essere acquisite in maniera ottimale. Oltretutto, e’ necessaria un’importante collaborazione tra paziente e professionista al fine di ridurre al minimo i movimenti per tutta la durata dell’esame diagnostico. Grazie all’implementazione dell’IA, alcuni ricercatori, tra cui il prof. Uncini, sono riusciti a realizzare un sistema specializzato capace di produrre immagini di alta qualità dimezzando il tempo del singolo esame diagnostico andando anche a “rimuovere” errori di rendering attribuibili al movimento del paziente (5).

Le reti iper-specializzate e l’IA nella vita di tutti i giorni

Il vantaggio dell’istituzione di reti neurali iper-specializzate sarebbe quello di creare “cervelli” precisi ed autorevoli che possano aiutare il professionista in uno specifico ambito lavorativo. Tuttavia, è bene specificare che l’applicazione dell’IA non si limita solo al trattamento ma anche alla prevenzione. Raccogliendo informazioni sullo stile di vita di una persona e coniugandole con parametri vitali ed altri dati, sarà possibile identificare strategie di prevenzione di infortuni, malattie e circostanze di emergenza. Abbiamo già visto che alcuni wearable (come gli Apple Watch) sono in grado di identificare cadute “pericolose” e di attivare i servizi di emergenza. Sebbene allo stato attuale questa tecnologia sia da “istruire meglio”, il suo funzionamento è un chiaro esempio di interazione tra sensori, database e servizi di Emergenza Urgenza. Confrontando i dati ottenuti dal giroscopio e da altri sensori di un Apple Watch è infatti possibile per Apple identificare o meno una caduta “a rischio” sulla base dei dati raccolti da altri utenti, decretando o meno la necessità di allertare i servizi di Emergenza Urgenza. Allo stato attuale, questa tecnologia sembrerebbe essere fin troppo “premurosa” ma apprendendo tutte le effettive allerte “reali” con i dati da esse prodotti sarà possibile rilevare con maggior precisione una condizione di emergenza da una condizione accidentale.

Esistono diverse “strategie” didattiche

Il prof. Uncini ci ha spiegato che, come per un bambino, è possibile “istruire” o educare la macchina seguendo strategie differenti. Ognuna di queste, è più o meno adatta per specifici campi di applicazione rispondenti alle necessità di utilizzo.

Il modello con supervisione, ad esempio, funziona esattamente come un bambino piccolo. Si insegnano alla macchina una serie di princìpi o leggi, al fine di lasciarla operare e correggerne gli errori. Ogni volta che un errore sarà corretto dall’intervento umano, la macchina apprenderà immediatamente senza ripercorrere la strada errata. In questo caso l’umano inserisce manualmente degli input ed i relativi risultati corretti fornendo alla macchina una sorta di “indicazione” su come operare. Un esempio pratico, potrebbe essere il filtro SPAM della nostra mail, il quale si basa sulle informazioni fornite dagli utenti e da noi stessi.

Il modello senza supervisione invece utilizza gli algoritmi di apprendimento automatico per analizzare e raggruppare i set di dati senza etichette. Questi algoritmi scoprono i raggruppamenti di dati o i pattern nascosti senza la necessità di un intervento umano. Per semplificare, è come se la macchina dividesse in cluster ciò di cui viene a conoscenza, proprio come farebbe un’auto a guida autonoma in strada, identificando camion, pedoni, segnaletica ed interpretando tutti i dati ad essi correlati. Questo tipo di intelligenza, ad esempio, è utile nel campo del riconoscimento di immagini e per l’analisi di dati esplorativi.

Esiste anche un ulteriore modello del quale vi parleremo, ovvero quello del Paradigma misto con rinforzo, in utilizzo da ChatGPT. In questo speciale caso, la macchina apprende da innumerevoli fonti, tra cui il web, al fine di immedesimarsi nel contesto sociale dell’interlocutore. La macchina, in questo caso, apprende determinate strategie comportamentali ed è in grado di distinguere comportamenti “maggiormente premiati” da comportamenti inadeguati o peggiori.

I modelli generativi

Gartner, società leader nel campo delle consulenze nel mondo IT a livello globale, indica l’IA come uno dei principali “topic” del 2023, in particolare modo riferendosi all’IA Generativa. Gartner ritiene infatti che questo tipo di IA abbia «il potenziale per dar vita a nuove forme di contenuto creativo e accelerare i cicli di ricerca e sviluppo che vanno dalla medicina alla creazione di prodotti». Questo modello a differenza di altri è un modello “attivo” che apprende dai dati forniti, dalle esperienze e dai dati da lui stesso prodotti. Ad esempio, mentre altri modelli di fronte al pericolo “fuoco” fuggirebbero o interagirebbero (usando una strategia discriminatoria) l’IA Generativa interpreta tutti i rischi, i benefici e gli utilizzi fattibili con quello che poteva sembrare un semplice pericolo ma che, con le giuste strategie, potrebbe trasformarsi in uno strumento. L’impressionante potenza di apprendimento di questo modello di IA, lo rende estremamente versatile ed applicabile in molteplici contesti, da quello medico a quello bellico, opposti quasi per definizione. La NATO, ad esempio, avrebbe iniziato a studiare l’applicazione dell’IA già a partire dal 2021 istituendo un comitato etico e di controllo qualità del progetto. Il modello generativo però è spesso presente anche nelle nostre attività di tutti i giorni. Google, ad esempio, ha implementato diverse funzioni di auto-creazione di contenuti testuali per molteplici utilizzi. Nell’esempio qui sotto, possiamo vedere l’IA generativa in azione, durante la scrittura di un normale annuncio di lavoro:

Il modello generativo nell’ambito della simulazione medica

Durante l’ultimo CEU, abbiamo avuto modo di conoscere l’importanza della simulazione in Medicina. Abbiamo interagito con diversi manichini ultra-tecnologici ed utilizzato visori di altissima tecnologia per simulare scenari clinici pre-impostati con i dati di pazienti reali. Immaginiamo adesso di non dover necessariamente disporre di dati reali ma bensì di un’IA capace di generare scenari di soccorso partendo dalle sue conoscenze dell’ambiente, della fisiologia umana e delle varie procedure e farmaci disponibili. L’IA di carattere generativo sarebbe capace di produrre uno scenario reale, immerso in un ambiente predefinito o casuale con innumerevoli variabili (meteo, ambientali, logistiche…) e condizioni di presentazione clinica dei pazienti. Sarà possibile addestrare i futuri professionisti ad agire in situazioni realistiche generate ad-hoc per il tipo di insegnamento con il vantaggio di trovarsi in situazioni non vere ma decisamente verosimili. Tra le varie aziende che stanno esplorando questo interessante campo di applicazione dell’IA vediamo la FundamentalVR che, con numerosi studi, ha dimostrato come la simulazione possa essere uno strumento di training estremamente utile ed efficace.

L’IA nella vita di tutti i giorni ed il tema della Privacy

Non sempre ne siamo a conoscenza, ma giornalmente entriamo in contatto con l’IA. E se possa sembrare che non la utilizziamo, sicuramente contribuiamo al suo accrescimento. Ogni ricerca che facciamo su Google consente all’IA di inquadrarci in determinate categorie o gruppi di persone ai quali mostrare determinati annunci piuttosto che altri. Sempre le nostre ricerche su google consentono alle grandi case Farmaceutiche di scoprire, in anticipo, i picchi delle influenze stagionali, al fine di aumentare la produzione e la distribuzione dei prodotti. Per fare un ulteriore esempio, abbiamo visto come le nostre amicizie sui social condizionino la nostra esperienza di navigazione, interagendo con determinati contenuti piuttosto che altri. Goethe in un suo famoso aforismo disse “Dimmi con chi vai e ti dirò chi sei” e l’IA, oggi, sembrerebbe aderire perfettamente a questo concetto.

Come dicevamo prima e come vi abbiamo in breve dimostrato, l’IA interagisce con noi giornalmente e noi con lei. Ciò ci pone di fronte ad un problema enorme relativo alla Privacy ed ai dati personali degli utenti che giornalmente effettuano ricerche su google, indossano wearable o possiedono (in generale) dispositivi connessi come smart speaker ecc. ecc. Basti pensare che giornalmente, anche senza effettuare le poche cose sopra citate, condividiamo la nostra posizione con Google ed altri servizi di geolocalizzazione al fine di determinare traffico ed affollamento in un determinato luogo

Siamo disposti a rinunciare alla nostra Privacy per il progresso tecnologico? Senza alcun dubbio quest’ultimo potrebbe rendere la nostra vita più facile, le nostre scelte più veloci e corrette ma come stiamo rischiando di passare dall’essere “consumatori” di internet a prodotti dello stesso? Il futuro dell’IA sarà sicuramente vincolato ad importanti scelte nell’ambito etico e legale, per quanto concerne campi di applicazione, privacy e tutela dei dati personali, meglio noti come l’oro del XXI secolo.

L’IA al servizio dei professionisti sanitari: l’esperienza di Parma

In Italia, per la precisione a Parma, esiste un vero e proprio polo di studio e di applicazione di quelle che sono le funzionalità dell’IA nell’ambito sanitario. Nello specifico, grazie alla prof.ssa Elena Giovanna Bignami, professore Ordinario e direttrice dell’UOC Anestesia e Rianimazione del Complesso chirurgico generale dell’Ospedale Universitario di Parma, abbiamo compreso e visto da vicino quelle che sono le applicazioni di questo importante alleato per la gestione integrata di sale operatorie e posti letto, al fine di ottimizzare al massimo le risorse disponibili.

Grazie alla prof.ssa Bignami, abbiamo compreso come l’IA in un futuro prossimo potrà essere una valida alleata e mai sostituta del professionista Medico o Infermiere nell’ambito sanitario, al fine di migliorare e coadiuvare i processi decisionali nelle fasi pre e post-operatorie dei pazienti e nella gestione di blocchi operatori e risorse ospedaliere sia nelle situazioni ordinarie che in quelle di emergenza-urgenza.

Il progetto ParmAI

ParmAI è una realtà progettuale che coinvolge diversi professionisti sanitari e società scientifiche come ad esempio la SIAARTI. Uno dei principali progetti del gruppo ParmAI vede la realizzazione di un sistema basato sull’IA atto a supportare i Medici nei processi decisionali e addirittura previsionali delle complicanze post-operatorie al fine di identificare precocemente i pazienti a rischio ed intervenire tempestivamente con le giuste risorse. Grazie a queste tecnologie ed al database basato sul modello deep learning, questo tipo di IA è in grado di apprendere continuamente da se stessa e dai dati parametrici dei pazienti al fine di migliorarsi giorno dopo giorno, diventando sempre più precisa nelle sue segnalazioni. Al giorno d’oggi, questa tecnologia (già in uso a pieno regime) è in grado di prevedere con elevata probabilità il tipo di complicanza post-operatoria alla quale andrà in contro il paziente preso in esame. Che si tratti di Infarto Miocardico, Insufficienza Renale Acuta o necessità di operare nuovamente il paziente, questa IA è in grado di gestire le risorse disponibili e consigliare il Medico nel processo decisionale al fine di gestire al meglio non solo le situazioni di emergenza ma anche quelle ordinarie che, da un momento all’altro, potrebbero variare. E’ proprio questa la novità proposta da ParmAI, la possibilità di prevedere con estrema probabilità una variazione dello status-quo clinico di un paziente in regime operatorio ordinario e programmato, al fine da rendere disponibili tutte le risorse necessarie nel minor tempo possibile per poterlo trattare prima dell’insorgenza di eventuali criticità cliniche potenzialmente fatali.

Un modello Ibrido capace di apprendere da sé stesso

Come anticipavamo prima, il progetto ParmAI è un sistema complesso basato su sistemi di Reti Neurali, Machine Learning e Deep Learning capaci di apprendere autonomamente e continuamente dai dati memorizzati nei loro database. In base al tipo di applicazione necessaria, l’IA più adatta viene programmata per fornire dati specifici ed utili ai processi decisionali e gestionali. Immaginiamo ad esempio un medico esperto, capace di memorizzare, analizzare e decifrare in maniera oggettiva i dati clinici di tutti i pazienti operati al fine di imparare continuamente ed autonomamente tutti i possibili scenari pre e post-operatori, al fine di prevedere tutte le possibili complicanze e le verosimili tempistiche di dimissione in sicurezza. Una simile risorsa, consentirebbe di effettuare una pianificazione ponderata delle risorse disponibili al fine di dare al paziente giusto la giusta assistenza e conoscere in anticipo le verosimili tempistiche di occupazione della sala operatoria, della terapia intensiva o del reparto.

Questi modelli, sono concepiti specificamente per coadiuvare il professionista sanitario nel processo decisionale e per fare ciò occorre una programmazione estremamente settoriale per garantire la massima affidabilità nel campo di applicazione desiderato. Come dice la dott.ssa Bignami, il progetto è volto a fornire un sistema di medicina personalizzata per il singolo paziente preso in esame, uscendo così dai protocolli ferrei e già esistenti, non sempre applicabili a tutti i pazienti. La qualità del dato prodotto dall’IA dunque, dipende da molti fattori che devono essere considerati nella fase di programmazione.

ParmAI ed il progetto BLOC-OP

La dott.ssa Bignami, promotrice di uno studio dal titolo “Nuovo modello di organizzazione di un blocco operatorio”, sta realizzando con il suo gruppo di lavoro un’importante attività di ricerca volta a realizzare la prima AI capace di effettuare quasi in autonomia la programmazione dell’utilizzo delle Sale Operatorie.

Un’AI correttamente istruita e programmata, oltre ad apprendere dai dati raccolti, è altresì capace di adattarsi e gestire le risorse disponibili in contesti differenti. La gestione di un blocco operatorio infatti non è cosa semplice, parliamo di un’UO dove si trovano a collaborare molteplici professionisti che devono lavorare in sinergia al fine di garantire puntualità, efficienza e corretto impiego delle risorse disponibili, così da occupare la sala operatoria per il giusto tempo, utilizzando le risorse ed il personale adeguato. Al giorno d’oggi, la gestione e la programmazione degli interventi di chirurgia elettiva viene fatta con cadenza settimanale, tramite riunioni che coinvolgono diversi professionisti i quali realizzano il piano sulla base dell’esperienza personale. La realizzazione di un’IA specifica, istruita grazie a dati provenienti direttamente dalle sale e dall’esperienza professionale dei team multidisciplinari, consentirebbe un utilizzo più efficiente delle risorse disponibili al fine di evitare sprechi (in termini temporali e di risorse). L’Italia non sarebbe il primo paese ad utilizzare queste tecnologie. E’ infatti in corso di dimostrazione come l’utilizzo di un’IA specifica consenta di ridurre i ritardi operatori grazie ad una migliore gestione delle ricoveri room (Sale Risveglio) mantenendo elevato l’indice di produttività del blocco operatorio. L’importanza dell’IA nella gestione delle sale operatorie, è stata studiata anche nell’ambito della chirurgia robotica dove un’IA specifica sarebbe in grado di predire i tempi esatti di durata degli interventi dei pazienti (3) sottoposti a tale pratica chirurgica.

Per poter però poter applicare tali modelli nel contesto operatorio, risulta indispensabile ottenere dati di una certa qualità e precisione in tempo reale. Attualmente la registrazione dei tempi e degli spostamenti del paziente all’interno del comparto operatorio avviene manualmente da parte dei diversi operatori coinvolti tramite un sistema informativo chiamato “Ormaweb”. Tale metodo di rilevazione, basato sul contributo umano, risulta spesso parziale e mai istantaneo a causa della mole di lavoro dei professionisti coinvolti nell’assistenza. Avere la possibilità di una estrapolazione diretta dei dati con la minima interferenza umana, potrebbe invece consentire di aumentare la qualità del dataset e quindi di ottenere risultati più precisi e puntuali. Inoltre, possedere un sistema dotato della capacità di registrare in maniera autonoma gli spostamenti del paziente, potrebbe essere in grado, oltre a ridurre il tasso di errori, di alleggerire il carico di lavoro degli operatori stessi e indirettamente ridurre i tempi di cambio tra i diversi pazienti. A tal proposito l’esperienza di Cesena sembra fornire ottimi presupposti; grazie infatti ad un sistema di tracciabilità, chiamato “TraumaTracker”, composto da sistemi RFID, è stato possibile migliorare l’accuratezza e la completezza della documentazione del paziente traumatizzato, rispetto alle informazioni raccolte con metodi tradizionali (4). Un riassunto del funzionamento dell’IA attualmente in realizzazione dal gruppo Parma potrebbe essere riassunto dall’immagine sottostante

Come si può vedere, le applicazioni sono molteplici e consentono non solo di effettuare una valutazione sulle tempistiche operatorie ma anche sulle complicanze post-operatorie come la Nausea e Vomito P.O. (PONV) e l’occupazione del posto letto in reparto o terapia intensiva sulla base di dati clinici acquisiti in tempo reale.

Al momento, lo studio Bloc-OP è in fase di realizzazione. Sarà possibile rimanere aggiornati tramite questa pagina

Bibliografia

(1) Hosny A, Parmar C, Quackenbush J, Schwartz LH, Aerts HJWL. Artificial intelligence in radiology. Nat Rev Cancer. 2018

(2) Fairley M, Scheinker D, Brandeau ML. Improving the efficiency of the operating room environment with an optimization and machine learning model. Health Care Manag Sci. 2019 

(3) Zhao B, Waterman RS, Urman RD, Gabriel RA. A Machine Learning Approach to Predicting Case Duration for Robot-Assisted Surgery. J Med Syst. 2019

(4) Montagna S, Croatti A, Ricci A, Agnoletti V, Albarello V, Gamberini E. Real-time tracking and documentation in trauma management. HealthInformatics J.2020;26(1):328-341.

(5) A multimodal deep network for the reconstruction of T2W MR images – Comminiello D, Uncini A, Scardapane S, Scarpinti M.