Le pratiche mediche del futuro potrebbero presto essere tra di noi: l’IA si \u00e8 sviluppata ed \u00e8 progredita negli ultimi anni, ed \u00e8 del tutto possibile vedere le diagnosi errate e il trattamento dei sintomi delle malattie piuttosto che la loro causa come una cosa del passato. Considerate per un momento la memoria che avreste bisogno di liberare per inserire un’immagine 3D completa di un organo sul vostro computer o gli anni di misurazioni della pressione sanguigna che avete conservato. La massa di dati generati e immagazzinati nelle cartelle cliniche digitali attraverso immagini mediche e test generali permette all’IA di sviluppare pi\u00f9 applicazioni e un’era medica guidata dall’elettronica ad alte prestazioni. Queste applicazioni di IA stanno plasmando il modo in cui i ricercatori e i medici affrontano la risoluzione dei problemi medici.<\/p>\n
Alcuni algoritmi, tuttavia, possono competere con i medici in molti compiti, a volte anche superandoli. Allora perch\u00e9 l’IA non si \u00e8 ancora pienamente affermata nella pratica medica quotidiana? Questo perch\u00e9 ci sono una serie di sfide normative a cui bisogna rispondere prima, anche se gli algoritmi possono influenzare la medicina in modo significativo.<\/p>\n
Gli algoritmi dell’IA, col tempo, imparano a fare il loro lavoro, proprio come un medico che studia per anni alla scuola di medicina, facendo esami pratici e compiti, ricevendo voti e imparando dagli errori, l’IA deve fare lo stesso. Di solito, i lavori che l’IA fa sono quelli che hanno bisogno dell’intelligenza umana per essere completati, come il riconoscimento del parlato e dei modelli, il processo decisionale e l’analisi delle immagini. Un umano \u00e8 necessario per dire al sistema esattamente cosa dovrebbe cercare in un’immagine che l’algoritmo vede. In breve, automatizzare i compiti di base utilizzando un algoritmo di IA \u00e8 esattamente ci\u00f2 per cui sono addestrati, e spesso possono eseguirlo molto meglio di qualsiasi umano.<\/p>\n
I sistemi informatici iniziano con i dati che vengono alimentati per sviluppare un algoritmo di IA efficiente. I dati devono essere ben strutturati, il che significa che i punti di dati hanno un’annotazione o un’etichetta, qualcosa che viene riconosciuto dall’algoritmo. Una volta che l’algoritmo ha visto abbastanza serie di dati e la loro annotazione, la performance del sistema viene valutata per verificarne la precisione, proprio come gli esami per gli studenti. Questi “esami” di solito comportano l’inserimento di dati di prova di cui il sistema conosce gi\u00e0 la risposta. Questo permette all’utente di verificare la capacit\u00e0 dell’algoritmo di elaborare la risposta giusta. L’algoritmo pu\u00f2 essere modificato, alimentato con pi\u00f9 dati, o ampliato in seguito ai risultati del test.<\/p>\n
Esistono molti algoritmi che possono imparare da punti di dati. Molte applicazioni di IA nel settore sanitario leggono qualche tipo di dati, che siano basati su immagini (come le scansioni RM o le immagini di campioni di tessuto) o su dati numerici (come la pressione sanguigna o la frequenza cardiaca). Gli algoritmi leggono e imparano dai dati, poi vanno a fornire un risultato di probabilit\u00e0 o di classificazione. Ad esempio, i risultati potrebbero essere l’etichettatura di un campione di tessuto \u00e8 canceroso o non canceroso, o la probabilit\u00e0 che il paziente abbia un coagulo arterioso mostrato dai dati della pressione sanguigna e della frequenza cardiaca. Nelle applicazioni sanitarie, le prestazioni dell’algoritmo vengono confrontate con quelle di un medico per determinare se la diagnosi corrisponde e se il suo valore e la sua capacit\u00e0 nella clinica sono accettabili.<\/p>\n
I recenti progressi nell’accoppiare enormi volumi di dati generati nei sistemi medici con la potenza del computer aiutano a rendere i sistemi sanitari pronti per le applicazioni IA. Due delle applicazioni pi\u00f9 recenti sono elencate di seguito. Sono entrambi algoritmi clinicamente rilevanti e accurati e possono beneficiare sia i medici che i pazienti rendendo la diagnosi pi\u00f9 semplice.<\/p>\n
Il primo algoritmo \u00e8 un esempio esistente di un algoritmo che supera la capacit\u00e0 dei medici nei compiti di classificazione delle immagini. I ricercatori del Seoul National University Hospital and College of Medicine hanno creato l’algoritmo IA chiamato DLAD (Deep Learning based Automatic Detection) nell’autunno del 2018. L’algoritmo analizza le radiografie del torace e aiuta a trovare la crescita anormale delle cellule, come potenziali tumori. Le prestazioni dell’algoritmo sono state confrontate con i risultati delle capacit\u00e0 di detenzione di molti medici sulla stessa immagine, e l’IA ha superato 17 dei 18 medici.<\/p>\n
Anche il prossimo algoritmo \u00e8 stato creato nell’autunno del 2018 dai ricercatori di Google AI Healthcare. Hanno sviluppato un algoritmo di apprendimento chiamato LYNA (Lymph Node Assistant), che identifica i tumori metastatici del cancro al seno dalle biopsie dei linfonodi. Questo algoritmo non \u00e8 il primo del suo genere a provare questo tipo di analisi. \u00c8 interessante notare che questo algoritmo fa qualcosa che l’occhio umano non pu\u00f2 fare: trovare regioni sospette nei campioni bioptici dati. Due database hanno usato LYNA per i test, ed entrambi hanno mostrato che il sistema pu\u00f2 identificare correttamente un campione come canceroso o non canceroso il 99% delle volte. Inoltre, LYNA ha dimezzato il tempo medio di revisione dei vetrini quando \u00e8 stato usato dai medici insieme alla loro normale analisi dei campioni di tessuto.<\/p>\n
Altri algoritmi basati sulle immagini hanno recentemente mostrato capacit\u00e0 simili per aumentare l’accuratezza di un medico. Nel breve termine, i medici possono usare gli algoritmi per aiutare a ricontrollare una diagnosi e spiegare i pazienti pi\u00f9 velocemente senza sacrificare la precisione. Guardando al lungo termine, gli algoritmi approvati dal governo potrebbero essere in grado di funzionare in modo indipendente, dando ai medici il tempo di concentrarsi sui casi che i computer non sono in grado di risolvere. DLAD e LYNA sono i primi esempi di algoritmi che possono aiutare i medici nella classificazione di campioni malati e sani, dando ai medici importanti caratteristiche dell’immagine che devono essere studiate pi\u00f9 da vicino. Questi esempi illustrano i potenziali punti di forza degli algoritmi nell’assistenza sanitaria, quindi perch\u00e9 vengono trattenuti dall’uso clinico?<\/p>\n
Finora, gli algoritmi sanitari hanno mostrato eccellenti benefici potenziali sia per i pazienti che per i medici. Tuttavia, la regolamentazione di questi algoritmi \u00e8 un compito impegnativo. La Food and Drug Administration<\/em> (FDA) degli Stati Uniti ha approvato vari algoritmi, ma non c’\u00e8 ancora nessuna linea guida di approvazione universale. Aggiunto al fatto che le persone che creano gli algoritmi non sono sempre medici che curano i pazienti, i simbolisti potrebbero aver bisogno di imparare di pi\u00f9 sull’assistenza sanitaria, e i clinici devono scoprire quali compiti gli algoritmi possono e non possono fare. L’IA pu\u00f2 essere usata in compiti clinici di base; tuttavia, \u00e8 difficile vedere come le operazioni al cervello possano essere automatizzate, come quando un medico deve cambiare rapidamente il suo approccio una volta che guarda il paziente. In molti modi, l’IA ha molte possibilit\u00e0 nell’assistenza sanitaria che attualmente sbilanciano l’IA per la cura del paziente. Requisiti specifici per gli algoritmi potrebbero essere ottenuti con linee guida chiarite dalla FDA, che potrebbe portare all’aumento degli algoritmi distribuiti in ambienti clinici.<\/p>\n Inoltre, la FDA ha un rigido criterio di accettazione per i test clinici; devono avere un’estrema trasparenza intorno ai metodi scientifici. Molti algoritmi si basano su una matematica intricata, e passare dai dati di input al risultato finale pu\u00f2 essere come ‘spacchettare la scatola nera’. Chiarire il funzionamento interno di un algoritmo alla FDA sarebbe impegnativo, e comprensibilmente, i ricercatori e le aziende non sarebbero apertamente disposti a condividere i loro metodi con il pubblico. Il rischio di perdere le loro idee e di perdere denaro da parte di altri, rafforzando il loro prodotto \u00e8 troppo alto. \u00c8 possibile che le leggi sui brevetti cambino dal loro stato attuale, dove un algoritmo \u00e8 considerato parte della macchina fisica. Tuttavia, \u00e8 necessario aumentare la trasparenza a breve termine, in modo che i dati dei pazienti non siano impropriamente classificati come errori? Aiuterebbe a rendere pi\u00f9 facile determinare se un algoritmo potrebbe essere usato accuratamente in un ambiente clinico.<\/p>\n Oltre agli ostacoli dell’approvazione della FDA, gli algoritmi di IA potrebbero anche incorrere in sfide per ottenere l’approvazione e la fiducia dei pazienti. Senza una chiara comprensione di come funzionano gli algoritmi da parte di coloro che li approvano per l’uso clinico, i pazienti potrebbero non permettere loro di aiutare con le loro esigenze sanitarie. Se i pazienti fossero costretti a scegliere se preferiscono essere mal diagnosticati da un umano o da un algoritmo, chi sceglierebbero se un algoritmo supera un medico.<\/p>\n Tutto si riduce ad avere fiducia nell’algoritmo per il processo decisionale. Determinare la decisione corretta \u00e8 una funzione dei dati che vengono inseriti. Quindi, se vengono immessi dati fuorvianti, l’algoritmo pu\u00f2 mostrare un risultato fuorviante. \u00c8 del tutto possibile che gli individui che sviluppano l’algoritmo non sappiano che le informazioni che stanno inserendo sono fuorvianti finch\u00e9 non \u00e8 troppo tardi. \u00c8 possibile che l’algoritmo possa causare negligenza medica. Questo tipo di errore pu\u00f2 essere evitato se i programmatori e i clinici sono adeguatamente informati sui metodi e sui dati dell’algoritmo. Creando relazioni tra i simbolisti che creano gli algoritmi e i clinici che conoscono le specificit\u00e0 dei dati, \u00e8 molto meno probabile che si verifichi una negligenza da parte di un algoritmo.<\/p>\n I clinici devono essere adeguatamente consapevoli dei limiti degli algoritmi ed essere adeguatamente a conoscenza dei dati clinici che i programmatori stanno inserendo per crearli. Alle aziende potrebbe essere richiesto di sacrificare i segreti della funzionalit\u00e0 di un algoritmo in modo che un pubblico pi\u00f9 ampio possa valutare i metodi ed evidenziare eventuali fonti di errore o omissioni che potrebbero avere un impatto negativo sulla cura del paziente. C’\u00e8 ancora molta strada da fare prima che gli algoritmi siano approvati per il funzionamento indipendente nelle cliniche. Tuttavia, definendo le qualit\u00e0 necessarie affinch\u00e9 un algoritmo sia considerato accurato per l’uso clinico e affrontando al contempo le sfide che circondano gli errori decisionali, questi algoritmi potrebbero superare tutte le sfide che devono affrontare e alla fine aumentare l’efficienza e la precisione delle pratiche cliniche per vari compiti a livello universale.<\/p>\n","protected":false},"excerpt":{"rendered":" Le pratiche mediche del futuro potrebbero presto essere tra di noi: l’IA si \u00e8 sviluppata ed \u00e8 progredita negli ultimi anni, ed \u00e8 del tutto possibile vedere le diagnosi errate e il trattamento dei sintomi delle malattie piuttosto che la loro causa come una cosa del passato. Considerate per un momento la memoria che avreste […]<\/p>\n","protected":false},"author":16,"featured_media":18323,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_kad_blocks_custom_css":"","_kad_blocks_head_custom_js":"","_kad_blocks_body_custom_js":"","_kad_blocks_footer_custom_js":"","footnotes":""},"categories":[1674,2025],"tags":[],"class_list":["post-37816","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-education-2","category-scienze-mediche-3-2"],"acf":[],"yoast_head":"\n