Un framework per il supporto alle decisioni cliniche basato su tecniche di deep learning e machine learning

Risultato della ricerca:

La diffusione dei big data e l’uso sempre più crescente dell’intelligenza artificiale, deep learning e machine learning, hanno aperto nuove prospettive tecnologiche in campo diagnostico e terapeutico.  Una delle soluzioni tecnologiche emergenti in medicina è rappresentata dai sistemi di supporto alle decisioni cliniche (clinical decision support system, CDS). Un CDS è un sistema software di supporto alla clinica, diagnosi e terapia, che permette di aumentare l’efficacia dell’analisi dei dati sanitari e medici a disposizione attraverso tecniche predittive e cognitive, fornendo supporto a i medici e in, generale, a tutti i professionisti che operano nel campo della medicina e della salute, e che devono prendere decisioni strategiche per i pazienti.

In questo contesto, è stato progettato, implementato e testato un framework software basato su tecniche di intelligenza artificiale per supportare i medici nella diagnosi e cura delle malattie. Tale sistema riceve in ingresso dati provenienti da sorgenti eterogenee quali dati fisiologici del paziente, cartelle cliniche digitali, analisi di test di laboratorio (come analisi del sangue), immagini medicali (radiologiche, ECG, risonanza magnetica), referti medici. Accanto a questi dati tradizionali il sistema integra sorgenti dati alternative quali quelle proveniente da social media e da sensori wearable. Infatti, i social media e le reti di sensori stanno diventando sempre più utili come sorgenti dati sulla salute degli individui, rendendo possibile il monitoraggio continuo dei pazienti stessi. Il conseguimento di tale obiettivo prevede in particolare lo sviluppo di un dispositivo di controllo che consenta il monitoraggio da remoto di una molteplicità di sensori wearable e che sia in grado di fare inferenza sui dati rilevati al fine di rilevare eventuali condizioni anomale e critiche nel paziente.

Elemento cruciale del framework proposto è il paziente digitale, una rappresentazione di un paziente reale in termini di una o più malattie o patologie oppure di una o più strutture anatomiche. In altre parole, fornisce una vista integrata sui dati del paziente che riflettono la sua situazione di salute. Integrato in un sistema di supporto alle decisioni cliniche, il paziente digitale rende possibile la realizzazione di servizi sanitari personalizzati per i pazienti, migliorando la programmazione della terapia, la predizione e propagazione della malattia. Le diverse opzioni d trattamento possono essere simulate in base al paziente a supporto del processo di decisione clinico e terapeutico.

Il sistema proposto analizza e integra i dati eterogenei e li elabora automaticamente per fornire un’informazione clinica, diagnostica e/o terapeutica. A tal proposito, il framework proposto offre una serie di servizi implementando nuove metodologie e algoritmi che sfruttano tecniche di deep learning e machine learning. In particolare, di fondamentale rilevanza nel sistema proposto è un tool che automaticamente inferisce attraverso tecniche di deep learning la diagnosi di un paziente sfruttando la similarità nei sintomi con altri pazienti. Allo scopo sono usate le reti neurali convoluzionali (CNN) che hanno l’abilità di apprendere in modo automatico features complesse nella rappresentazione del testo relativo ai sintomi, alla diagnosi e alle terapie.

Riferimento a finanziamenti precedenti:

I risultati della ricerca non sono stati oggetto di finanziamento.

Innovatività rispetto a soluzioni già esistenti:

Il carattere fortemente innovativo della proposta è legato sia ad aspetti tecnologici che metodologici. In merito alle tecnologie impiegate, il sistema proposto è basato su tecniche di machine learning e di deep learning come le reti neurali convoluzionali, word embedding, radiomica. In relazione agli aspetti metodologici, l’elemento innovativo riguarda la messa a punto di un framework che integra i dati medici e sanitari tradizionali con dati provenienti da social media e da sensori wearable. In particolare, l’uso di sensori wearable rende possibile il monitoraggio continuo del paziente attraverso dispositivi integrati che consentono non solo l’immagazzinamento dei dati ma anche l’implementazione di tecniche di inferenza e di supporto decisionale che abilitino l’approccio patient-centric alla diagnosticica clinica e alla cura attraverso trattamenti clinici e terapeutici personalizzati.

Il personale sanitario può trarre grande beneficio dai social media poiché la disponibilità di quantità enormi di dati può essere ottenuta più velocemente e a costi ridotti rispetto alle sorgenti dati medicali tradizionali.

Infatti, la pervasività e il potere di crowdsourcing dei social media consente di modellare fenomeni che non era possibile fare prima, come ad esempio la distribuzione di informazioni sanitarie tra la popolazione, monitorare i trend circa la salute pubblica nel tempo e identificare gap tra domanda e offerta, ma soprattutto consente di implementare dei sistemi di early warning di malattie e di diagnosi precoce. Quest’ultimo aspetto è particolarmente rilevante perché individuare il sorgere di una malattia nelle fasi iniziali è fondamentale per curarla accuratamente e identificare le terapie appropriate.

Attualmente, sebbene alcuni sistemi software sono stati implementati per assistere i medici, sono abbastanza limitati perché considerano soltanto una condizione medica a paziente mentre è molto frequente che uno stesso paziente presenti più di una patologia allo stesso momento a causa, ad esempio, delle complicanze della prima malattia per cui è stato trattato. Inoltre, un’ulteriore limitazione è dovuta al fatto che questi sistemi si focalizzano su un singolo paziente senza integrare e sfruttare le informazioni di tutti i pazienti disponibili, usando semplici regole decisionali per ottenere la diagnosi. Per cui, non esiste al momento un sistema per la diagnosi automatica di malattie che possa supportare i sanitari nel processo diagnostico, clinico e terapeutico. Pertanto, la soluzione proposta rappresenta un’innovazione assoluta nel panorama scientifico internazionale. Le strutture sanitarie trarranno notevole beneficio dall’applicazione della ricerca proposta.

Titoli di proprietà intellettuale:

Non sono state ancora effettuate ricerche di anteriorità brevettuale né sono state depositate domande di brevetto.

Principali applicazioni e mercato di riferimento:

Gli ambiti applicativi del sistema sono ampi e variegati.

Sicuramente un ambito applicativo in cui l’approccio proposto potrebbe avere un impatto fondamentale è quello di limitare la possibilità di errore e rendere più oggettiva possibile l’interpretazione e valutazione clinica, diagnostica e terapeutica.  Infatti, in talune circostanze si ricorre, specialmente nei casi più controversi, ad una valutazione incrociata e indipendente ad opera di più esperti medici, il che implica un ulteriore aggravio dei costi per il sistema sanitario. Disponendo invece del sistema proposto, che potrebbe essere facilmente integrato con tutte le più comuni attrezzature di acquisizione di immagini medicali, il medico potrebbe effettuare la sua diagnosi in modo veloce ed efficace poiché avrebbe a disposizione delle informazioni diagnostiche aggiuntive, estrapolate automaticamente grazie all’intelligenza artificiale, che non è possibile rilevare con una mera ispezione visiva delle immagini medicali o altri esami diagnostici.

Un altro importante campo applicativo è quello della medicina di precisione. I modelli descrittivi, predittivi e cognitivi ottenuti possono essere personalizzati sulla base delle caratteristiche della specifica patologia del paziente e grazie all’integrazione con il profilo di altri utenti che presentano una sintomatologia simile rendono possibile una diagnosi e quindi un approccio terapeutico su misura, adattati alle caratteristiche del singolo paziente.

Il valore aggiunto del prototipo proposto è offrire ai medici e ai personali sanitari uno strumento che consente di ottenere modelli accurati e riproducibili dell’anatomia e della situazione di salute generale del paziente, in grado di fornire maggiori dettagli strutturali e funzionali rispetto all’analisi dei soli dati provenienti dalle singole sorgenti dati. Infatti, l’integrazione della molteplicità dei dati e l’uso di tecniche di deep learning consente la simulazione, ad esempio, di un intervento chirurgico e di differenti stati fisiopatologici, di predire l’evoluzione di una malattia, valutare l’esito di una terapia, o aiutare nella valutazione dei parametri e successiva performance dei dispositivi medicali impiantabili.

In un contesto generalizzato di spesa legata al settore healthcare, che si stima possa raggiungere un valore pari a 8,7 migliaia di miliardi di dollari nel 2020, un maggiore invecchiamento della popolazione e crescenti tassi di cronicità, gli attuali modelli sanitari rischiano di implodere. Si rende necessario un ripensamento di questi secondo logiche innovative che conducano ad una sanità sostenibile e innovativa. Il settore dei sevizi digitali legato all’health negli ultimi anni ha avuto una rapida accelerata e ci sono tutti i presupposti perché possa generare sempre maggiore valore. La crescita degli investimenti del 2018 è cresciuta 56% rispetto all’anno precedente, con oltre 18 miliardi di dollari investiti. Un mercato che se continuasse a crescere ai ritmi attuali potrebbe sfiorare i 400 miliardi di dollari già nel 2024.

I trend in maggior crescita sono i sistemi basata sul concetto di Internet of Things (IoT), le terapie digitali, la riduzione delle barriere nell’interazione uomo macchina e l’onnipresente intelligenza artificiale.  I nuovi attori del contesto health devono aver sviluppato nuovi skills e acquisito competenze tecnologiche anche 4.0 – cloud computing, big data, realtà aumentata, robotica, security – e che continuino ad avere competenze strategiche e trasversali ancora più espresse che in passato: gestione del cambiamento, creatività, collaborazione, pensiero critico e strumenti altamente innovativi. Siamo in un contesto di mercato ad alto contenuto tecnologico e in costante divenire, caratterizzato da un’alta scolarità e con un dna orientato alla ricerca e all’innovazione. Una recente indagine di mercato ha elencato le professioni più ricercate nel mercato del lavoro e tra queste l’80% hanno a che fare con l’ambito della ricerca e della salute (dal Bureau of Labor Statistics, la classifica Best Jobs del 2019).

Aziende elettromedicali e farmaceutiche, cliniche ospedaliere e studi privati sono aziende che, come qualunque altra, per potersi collocare efficacemente nel proprio mercato di riferimento, distinguersi dai competitors ed intercettare il giusto target, hanno bisogno di dotarsi di strumentazione innovativa basta sui più innovativi strumenti. Infatti, nel 2018 a livello globale sono stati investiti ben 18 miliardi di dollari nelle startup legate al mondo della digital health in 598 operazioni, con una crescita del 56% in valore rispetto al 2017.

Esigenze per l’ulteriore sviluppo – Industrializzazione:

Le esigenze in termini di sviluppo successivo dei risultati della ricerca richiedono l’implementazione di un software decentralizzato che implementi le diverse applicazioni per cui il sistema stesso è stato progettato, come ad esempio meccanismi distribuiti e decentralizzati per la ricerca efficiente di informazioni sui pazienti sfruttando tecniche NLP, moduli di radiomica, analisi predittive circa l’insorgenza e l’evoluzione delle malattie, predizione e monitoraggio delle terapie.

Per quanto riguarda la validazione del sistema in ambiente operativo occorre svolgere una campagna sperimentale su pazienti in assistenza, individuando aziende ospedaliere disposte a testare la versione beta del sistema. Successivamente il sistema verrà ottimizzato sulla base del feedback dei medici specialisti e verrà implementata una nuova versione, destinata ad essere integrata con i più comuni sistemi di acquisizione di immagini medicali e di test diagnostici. Un ulteriore sviluppo riguarda una serie di protocolli di trattamento delle immagini e dei referti testuali che permetta uno studio condiviso, anche a distanza, tra specialisti del settore che potranno inter-operare grazie al sistema che verrà sviluppato, al fine di inter-operare, scambiarsi informazioni e buone pratiche di lavoro e ampliare le proprie conoscenze clinico/diagnostiche e terapeutiche.