3 modi in cui l’intelligenza artificiale sta rivoluzionando il modo in cui le organizzazioni sanitarie servono i pazienti. Gli LLM come ChatGPT possono essere d'aiuto?
L’apprendimento automatico e l’intelligenza artificiale stanno trasformando le cure mediche coinvolgendo funzionalità, diagnostica e altro ancora. Nel frattempo, i modelli linguistici di grandi dimensioni, come ChatGPT, sono ancora nelle fasi iniziali.
La digitalizzazione dell’assistenza sanitaria è arrivata da molto tempo, con la pratica della guarigione legata, per ovvie ragioni, a modi di fare più vecchi e attentamente controllati.
Ma sempre più spesso l’intelligenza artificiale, sotto varie forme, si sta insinuando nella clinica. Le applicazioni includono analisi predittiva, protesi intelligenti, diagnostica mobile e impianti cerebrali. Inoltre, con l’emergere di modelli linguistici di grandi dimensioni (LLM) come ChatGPT, esploriamo se tale tecnologia può aiutare l’assistenza sanitaria oggi.
Sebbene gran parte del lavoro sia sotto forma di studi pilota, è chiaro che l’intelligenza artificiale svolgerà un ruolo importante nel definire il modo in cui verrà fornita l’assistenza sanitaria nei decenni a venire.
"L'intelligenza artificiale con apprendimento profondo è finalmente riuscita a superare questo processo in cui l'infrastruttura tecnica è in atto e i dati sono disponibili per addestrarla, dopo anni di duro lavoro", ha affermato Jeremy Howard, co-fondatore della startup di ricerca e formazione sull'intelligenza artificiale Fast .ai e fondatore della prima azienda ad applicare il deep learning alla medicina, Enlitic.
Dopo tutto questo sforzo, "dovreste aspettarvi di vederne molti di più nei prossimi anni", vale a dire l'intelligenza artificiale applicata in medicina, ha detto Howard in un'intervista a ZDNET.
Al momento, lo stato dell’arte nell’applicazione dell’intelligenza artificiale alla medicina consiste in studi su piccola scala che impiegano una varietà di forme di intelligenza artificiale di apprendimento automatico molto consolidate. Questi programmi hanno dimostrato il loro valore nel corso di decenni. Finalmente vengono portati in clinica e applicati a una varietà di dati, dalle letture dell'attività cerebrale in tempo reale alle cartelle cliniche elettroniche.
È ancora lontano per i nuovi tipi di intelligenza artificiale per l'apprendimento automatico, cose come ChatGPT di OpenAI. Questa tecnologia attira tutta l’attenzione, ma è troppo nuova per essere affidabile nel delicato ambito della clinica.
L’uso dell’apprendimento automatico ha già apportato trasformazioni per i pazienti partecipanti. Gert-Jan Oskam, un quarantenne vittima di un incidente in bicicletta, ha ricevuto una nuova interfaccia cervello-computer che gli ha permesso di alzarsi e camminare di nuovo. Ha detto alla prestigiosa rivista Nature che il dispositivo ha "cambiato la vita".
"La settimana scorsa c'era qualcosa che doveva essere dipinto e non c'era nessuno che mi aiutasse", ha detto Oskam. "Così ho preso il deambulatore e la vernice, e l'ho fatto da solo mentre ero in piedi."
1. Ripristino della funzionalità con l'intelligenza artificiale
Tra le prime vittorie più drammatiche dell’intelligenza artificiale nel settore sanitario ci sono i successi, ancora in numero limitato, con protesi di vario tipo per ripristinare la funzionalità di individui con lesioni gravi.
Fatti da parte, Elon Musk: la leggendaria "interfaccia cervello-computer", o BCI, che Musk dice di inserire negli studi clinici è già stata realizzata dal team di Stanford in uno straordinario esempio di utilizzo di forme di intelligenza artificiale di apprendimento automatico attentamente sviluppate.
La leggendaria “interfaccia cervello-computer” propagandata da Elon Musk è già una realtà. Ricercatori svizzeri hanno creato un “ponte digitale” tra le regioni di movimento del cervello e la regione “lombosacrale” della colonna vertebrale che traduce l’intenzione in stimolazione dei muscoli per far muovere le gambe in modo naturale.
Il "ponte digitale", sviluppato dai ricercatori del dipartimento di ingegneria meccanica di Stanford, instrada i segnali cerebrali attorno a una disabilità spinale utilizzando sensori e tecnologia wireless. Il dispositivo ripristina la deambulazione di Oskam, che non aveva quasi più la capacità di camminare dopo una lesione al midollo spinale causata da un incidente in bicicletta dieci anni prima.
I ricercatori Henri Lorach e il suo team hanno descritto su Nature di maggio come hanno impiantato una "interfaccia cervello-midollo spinale" a Oskam. Ha limitato l'uso delle gambe seguendo un programma di cinque mesi di stimolazione elettrica epidurale del midollo spinale, capacità di fare alcuni passi con l'aiuto di un deambulatore.
Lorach e il suo team hanno impiantato due dispositivi, ciascuno composto da 64 elettrodi, sopra le parti di ciascun emisfero del cervello note per controllare il movimento. Questi sensori raccoglievano segnali noti come elettrocorticografo o ECoG, collegati alle intenzioni di movimento. I segnali ECoG sono stati captati in modalità wireless tramite un auricolare stampato in 3D indossato dal paziente, collegato tramite un cavo USB a un computer “stazione base” indossato in uno zaino.
Il computer nello zaino decodifica i modelli ECoG in comandi che vengono poi inviati, in modalità wireless, a un terzo dispositivo, impiantato sulla parte superiore della regione "lombosacrale" della colonna vertebrale: pensa alla parte bassa della schiena e al coccige. Chiamato "generatore di impulsi", trasforma i comandi in stimolazione elettrica che "coinvolge i muscoli che mediano i movimenti desiderati".
Il risultato è che il paziente è stato in grado di "riacquistare il controllo intuitivo sui movimenti delle gambe, dandogli la capacità di stare in piedi, camminare, salire le scale e persino attraversare terreni complessi", hanno riferito Lorach e il suo team. I video che accompagnano il referto mostrano il paziente che si alza da una posizione seduta e cammina, in questo caso con il computer della stazione base posizionato su un deambulatore invece che nello zaino.
È importante rendersi conto che non è solo una questione di impianti di sensori cerebrali. Gli algoritmi di apprendimento automatico che Lorach e il suo team hanno sperimentato per interpretare i segnali cerebrali per l’intenzione del movimento sono un elemento chiave.
Utilizzando un approccio noto come "algoritmo di apprendimento supervisionato adattivo online", il programma viene messo a punto mentre il paziente tenta ripetutamente di muovere prima gli arti di un avatar sullo schermo e poi un esoscheletro.
Il software combina diversi aspetti della scienza dell'apprendimento automatico, inclusa una "miscela di esperti", in cui comandi diversi controllano arti diversi, e poi quello che viene chiamato "modello Markov nascosto", una sorta di algoritmo in uso da decenni. Il calcolo dell'intenzione del movimento avviene in tempo reale, mentre il paziente si muove. Maggiori dettagli sull’algoritmo possono essere trovati in un documento precedente del team del 2022.
Gli scienziati stanno scoprendo molti altri modi per raccogliere segnali dal cervello e decodificarli tramite l’apprendimento automatico per ripristinarne la funzionalità.
Il mese scorso, i ricercatori Sean Metzger e il team del Dipartimento di Chirurgia Neurologica dell'Università della California a San Francisco hanno riferito su Nature un decodificatore vocale che ha generato una voce per una vittima di ictus di 47 anni resa muta quasi vent'anni prima.
Il cosiddetto decodificatore vocale multimodale utilizzava anche un rilevatore ECoG impiantato per decodificare le "frasi intese" da segnali nelle aree della corteccia sensomotoria del cervello. Quell'area è responsabile dei "tentativi di movimento delle labbra, della lingua e della mascella". I segnali vengono decodificati in quelle che i ricercatori chiamano "rappresentazioni del tratto vocale" che possono poi essere trasformate in molteplici tipi di output: testo su uno schermo, audio generato di parole pronunciate e movimenti di un avatar che parla.
Il cosiddetto decodificatore vocale multimodale utilizzava anche un rilevatore ECoG impiantato per decodificare le "frasi intese" dai segnali nelle aree della corteccia sensomotoria del cervello, utilizzando un tipo provato e vero di algoritmo di apprendimento automatico, noto come "rete neurale ricorrente bidirezionale" o "RNN", un programma utilizzato da tempo per modellare dati di serie temporali.
La chiave, ancora una volta, non sono solo i sensori ma anche gli algoritmi di apprendimento automatico. I segnali provenienti dall'ECoG dei tentativi del tratto vocale sono stati immessi in un altro tipo collaudato di algoritmo di apprendimento automatico, noto come "rete neurale ricorrente bidirezionale" o "RNN", un programma a lungo utilizzato per modellare dati di serie temporali, dati che misura le stesse variabili in momenti diversi nel tempo per individuare le tendenze. L'RNN è stato inizialmente sintonizzato per anticipare diverse frasi predefinite che il paziente stava cercando di pronunciare (che sono state mostrate al paziente su uno schermo): si tratta di una forma di correlazione dell'attività cerebrale con un insieme definito di output.
Tuttavia, dopo due settimane di tale addestramento, l’RNN produceva output di testo spontaneo da frasi non sollecitate che il paziente stava cercando di pronunciare. Il programma era in grado di generare fino a 78 parole al minuto. Si trattava di un risultato molte volte più veloce delle 14 parole al minuto che il paziente era stato in grado di produrre con il dispositivo di assistenza esistente, un apparato per il tracciamento della testa in cui il paziente doveva annuire alle parole su uno schermo, simile a quello usato dal defunto fisico Steven Hawking .
Allo stesso modo, è stato possibile addestrare l'RNN a interpretare l'ECoG in modo che corrisponda a una forma d'onda, che potrebbe quindi guidare un vocoder per generare parlato. Dopo due settimane di messa a punto del sistema con il paziente, il "sistema neuroprotesico vocale" da loro sviluppato ha mostrato risultati così impressionanti che "crediamo... questi risultati abbiano superato un'importante soglia di prestazione, generalizzabilità ed espressività che potrebbe presto avere benefici pratici per le persone con perdita della parola," scrive Metzger e il suo team.
2. L’intelligenza artificiale può rendere portatile la diagnostica medica
Uno dei principali ostacoli della diagnostica medica è che richiede ai pazienti di recarsi in una struttura medica dove i test possono essere somministrati utilizzando apparecchiature gigantesche e dati esaminati manualmente da esperti qualificati. Ma alcuni nuovi tentativi di diagnostica utilizzano forme di intelligenza artificiale di apprendimento automatico per portare la questione fuori dalla clinica.
Prendiamo gli studi sul sonno, che di solito comportano una permanenza di sette ore in una struttura, collegati agli elettrodi e monitorati per tutta la notte dal personale. Si potrebbe invece fare a casa, con un telefono e un paio di cerotti adesivi?
Un team del Georgia Institute of Technology di Atlanta, in Georgia, ha ideato cerotti per dormire wireless realizzati in silicone con circuiti flessibili incorporati, come riportato di recente sulla prestigiosa rivista Science. I cerotti utilizzano l’apprendimento automatico per misurare i dati del sonno anziché avere un tecnico dal vivo che monitora il paziente durante la notte.
I cerotti possono essere applicati sul viso dal paziente a casa, uno sulla fronte, uno sul mento. Raccolgono dati per elettroencefalogrammi (EEG) ed elettrooculogrammi (EOG), due tipi di misurazioni utilizzate per rilevare l'apnea notturna. I cerotti possono essere utilizzati per giorni alla volta, a differenza degli elettrodi a base di gel utilizzati in una clinica del sonno.
I patch trasmettono i dati EEG ed EOG tramite Bluetooth a un dispositivo mobile al capezzale e il dispositivo mobile utilizza quella che viene chiamata "rete neurale convoluzionale" o "CNN", un cavallo di battaglia dell'apprendimento automatico. Con una CNN, i dati rappresentati come uno spettro di attività possono essere analizzati per rilevare l'apnea notturna.
I cerotti in silicone per il viso per lo studio del sonno a casa contengono circuiti flessibili in modo che possano essere indossati durante il sonno. Si connettono in modalità wireless a un dispositivo mobile per la raccolta e l'analisi dei dati.
L'autore principale Shinjae Kwon e il suo team hanno scoperto in studi con otto soggetti che "le prestazioni del sistema mostrano un'elevata precisione dell'88,52%" nel rilevamento dell'apnea ostruttiva del sonno. Inoltre, il rilevamento dei cerotti domestici e la CNN hanno mostrato un "elevato accordo" con il rilevamento dell'82,4% prodotto dagli studi clinici sul sonno standard di riferimento noti come "polisonnografia".
Kwon e il suo team prevedono di condurre uno studio su larga scala del sistema e stanno estendendo le capacità dei sensori per rilevare altri indicatori di apnea notturna, tra cui la saturazione di ossigeno nel sangue, l'anidride carbonica e i movimenti.
Dato che il dispositivo mobile sta ordinando e vagliando i dati della CNN, lo sforzo di Kwok e del team punta a una tendenza molto più ampia: raccogliere e analizzare dati sul campo con l’intelligenza artificiale su un dispositivo mobile. Automatizzando la misurazione, che solitamente avviene manualmente da parte di tecnici specializzati, alcune diagnosi possono essere estese al di fuori delle mura della clinica.
Uno studio del 2021 condotto da un team dell'Università di Stanford guidato da Chayakrit Krittanawong ha elencato oltre una dozzina di esempi di monitoraggio cardiaco sanitario indossabile di livello consumer oltre al monitoraggio ECG di Apple Watch. Includono occhiali dell'israeliana OrCam Technologies e solette per scarpe di MEGAComfort.
Questi dispositivi indossabili producono “biosegnali”, che il team definisce come “segnali fisiologici che possono essere misurati e monitorati continuamente per fornire informazioni sull’attività elettrica, chimica e meccanica”. L’apprendimento automatico è un buon candidato per aggregare, analizzare e interpretare tutti questi dati.
Krittanawong e il team riferiscono studi su piccola scala su 100 soggetti che hanno utilizzato cerotti indossabili con sensori usa e getta indossati sul petto del soggetto. Il sensore, alimentato da una batteria usa e getta, ha rilevato più dati dalla pelle del soggetto, comprese le forme d'onda dell'elettrocardiogramma, la temperatura cutanea e la postura del soggetto. Tutti questi dati venivano continuamente trasmessi in streaming tramite wireless Bluetooth a un telefono cellulare e quindi caricati nel cloud per l'analisi utilizzando l'apprendimento automatico.
I cerotti sono stati utilizzati come alternativa ai dispositivi impiantabili di monitoraggio cardiaco per prevedere il rischio di ricovero ospedaliero per insufficienza cardiaca. Con l'analisi cloud, i cerotti e i dispositivi mobili hanno funzionato con un livello di sensibilità e specificità paragonabile ai tradizionali monitor impiantabili di livello medico.
3. Migliori analisi predittive per la sicurezza dei pazienti
Tra gli usi più diffusi dell’intelligenza artificiale fino ad oggi in contesti clinici reali c’è l’uso di algoritmi predittivi, programmi che possono fare cose come prevedere la possibilità di un paziente di riammissione in ospedale. Spesso utilizzano dati provenienti da cartelle cliniche elettroniche (EHR), poiché tali registri costituiscono un archivio facilmente disponibile di grandi quantità di dati.
Uno studio condotto quest’anno dalla School of Medicine dell’Università dello Utah ha rilevato “un’ampia adozione dell’intelligenza artificiale nelle attuali operazioni cliniche” sulla base dei dati EHR, secondo l’autore principale David Classen e il team.
Tuttavia, questi strumenti predittivi hanno avuto una precisione discutibile. Uno studio del 2021 sul software Epic per la sepsi condotto dalla Medical School dell'Università del Michigan ha rilevato tassi di accuratezza estremamente bassi nella previsione della sepsi da parte dello strumento, sollevando dubbi sulla sua utilità nella pratica.
Ciò suggerisce che i ricercatori hanno bisogno di modi migliori per dedurre ciò che un EHR sta dicendo loro con tutti quei dati.
In un esempio di analisi predittiva all’avanguardia, gli scienziati della Stanford University School of Medicine hanno raccolto cartelle cliniche elettroniche per 22.104 coppie di madri e i loro neonati, hanno collegato i dati e hanno ottenuto quella che descrivono come una maggiore capacità di prevedere la mortalità nelle nascite premature. , la principale causa di morte dei bambini sotto i 5 anni.
Il lavoro di Davide de Francesco e del suo team, pubblicato a febbraio su Science Translational Medicine, ha utilizzato le caratteristiche contenute nelle cartelle cliniche della madre per prevedere gli esiti neonatali. L'obiettivo principale è ottenere un quadro più preciso della mortalità infantile rispetto alle poche caratteristiche tipicamente utilizzate, note come punteggio "Aspetto, polso, smorfia, attività e respirazione" o Apgar, al momento della nascita/parto.
Invece, i ricercatori hanno inserito più punti dati provenienti da più visite effettuate dalla madre prima del parto in un altro tipo di algoritmo di apprendimento automatico testato nel tempo, chiamato “memoria a lungo-breve termine” o “LSTM”, utilizzato, come gli RNN, per ricomporre insieme i dati delle serie temporali. L'LSTM è stato addestrato per correlare i codici per cose come procedure materne, farmaci e osservazioni che precedono la nascita con le condizioni presenti nella cartella clinica neonatale del bambino, come ipotensione o sepsi.
Gli autori hanno riscontrato un aumento significativo nella capacità di prevedere gli esiti riportati del neonato rispetto alla tradizionale valutazione del rischio.
Nello specifico, il programma LSTM potrebbe generalizzare l’aumento del rischio derivante da alcune condizioni materne. "Tra questi codici fortemente associati agli esiti neonatali c'erano […] la dipendenza da oppioidi in remissione, l'emorragia fetale-materna, varie malattie cardiache congenite", riferiscono.
Inoltre, potrebbero anche affermare alcune cose che proteggono un neonato prematuro nelle settimane e nei mesi successivi alla nascita.
"Notevoli misurazioni di laboratorio che suggeriscono un'associazione protettiva contro gli esiti neonatali includono albumina sierica, proteine sieriche, piastrine, basofili, linfociti ed eosinofili", scrivono. "Questi dati suggeriscono che esiste un'interazione tra il sistema immunitario materno una settimana prima del parto e la relativa salute del feto che si protrae nel periodo neonatale e oltre."
Il lavoro di Stanford suggerisce che man mano che modelli di deep learning più sofisticati prendono il posto di sistemi predittivi relativamente primitivi, ci sono molte più informazioni che restano lì, in attesa di essere decifrate.
Modelli linguistici di grandi dimensioni (LLM) nell'assistenza sanitaria?
I metodi di intelligenza artificiale di apprendimento automatico discussi sopra (RNN, CNN, LSTM e modelli di Markov nascosti) sono tutti approcci di intelligenza artificiale abbastanza consolidati che esistono da decenni. La novità è che ora vengono implementati con nuovi e maggiori livelli di sofisticazione e con nuovi dati.
Ma che dire dei nuovissimi algoritmi di deep learning, l'"intelligenza artificiale generativa" che è di gran moda, come ChatGPT di OpenAI?
Siamo ancora agli inizi per l’intelligenza artificiale generativa in medicina e assistenza sanitaria. L'intelligenza artificiale sotto forma di modelli linguistici di grandi dimensioni sta entrando solo gradualmente nel campo degli studi pilota, frenata da preoccupazioni su cose come le "allucinazioni" dei modelli linguistici, ovvero la loro propensione ad affermare informazioni false.
In effetti, uno studio condotto da Weill Cornell Medicine in agosto ha riferito che "i LLM potrebbero essere suscettibili di generare riepiloghi fattivamente incoerenti e di fare dichiarazioni eccessivamente convincenti o incerte, con conseguente potenziale danno dovuto alla disinformazione".
Il creatore di ChatGPT, OpenAI, ha infatti dichiarato alla rivista Nature Medicine che "i suoi modelli non dovrebbero essere utilizzati per la diagnostica medica, per il triage o per gestire problemi potenzialmente letali".
I rischi e le questioni etiche dell’intelligenza artificiale generativa implicano che ci saranno molti ostacoli normativi da affrontare.
A luglio, gli scienziati Bertalan Meskó del The Medical Futurist Institute ungherese ed Eric Topol dello Scripps Research Translational Institute, hanno scritto un documento di sintesi in cui osservavano che "gli LLM offrono un'enorme promessa per il futuro dell'assistenza sanitaria, ma il loro utilizzo comporta anche rischi e sfide etiche."
Meskó e Topol prevedono che i regolatori "creeranno una nuova categoria normativa per gli LLM poiché questi sono nettamente diversi dalle tecnologie mediche basate sull'intelligenza artificiale che sono già state sottoposte a regolamentazione".
"Sembra certamente estremamente utile", afferma Jeremy Howard a proposito dell'intelligenza artificiale generativa, "ma molto difficile da implementare in un modo rigoroso che si adatti agli attuali vincoli e processi del sistema medico statunitense".
Howard prevede che, nonostante le carenze, l’intelligenza artificiale generativa potrebbe essere utile per colmare il divario di competenze mediche.
"La maggior parte della popolazione mondiale non ha accesso a un numero sufficiente di medici", ha affermato. "Potrebbe ridursi a: vorresti un operatore sanitario comunitario con sei mesi di formazione per utilizzare efficacemente questo sistema di intelligenza artificiale invece di niente?"