Mihaela Van der Schaar, professoressa di Machine Learning, Intelligenza Artificiale e Medicina all\u2019Universit\u00e0 di Cambridge, ha tenuto al Gemelli, su invito della professoressa Evis Sala, Direttore del Centro Avanzato di Radiodiagnostica della Fondazione Policlinico Universitario Agostino Gemelli IRRCS, una lettura su intelligenza artificiale applicata alla medicina. La lettura \u00e8 stata introdotta dal prof. Giovanni Scambia direttore scientifico di Fondazione Policlinico Universitario A. Gemelli IRCCS e dal prof. Antonio Gasbarrini, Preside della Facolt\u00e0 di Medicina e Chirurgia dell\u2019Universit\u00e0 Cattolica del Sacro Cuore<\/p>\n\n\n\n
\u201cSe non fosse per la grande variabilit\u00e0 tra un individuo e l\u2019altro, la medicina potrebbe essere benissimo una scienza e non un\u2019arte\u201d, sentenziava Sir William Osler a fine \u2018800. E nel corso degli anni, il concetto di \u2018variabilit\u00e0\u2019 applicato alla medicina si \u00e8 andato espandendo a dismisura, favorito dalle scienze omiche, che hanno aggiunto complessit\u00e0, ad un quadro gi\u00e0 molto articolato. Ma le diverse traiettorie di salute e malattia, pertinenti ai diversi individui sono influenzate anche dalla storia personale e dalle diverse esposizioni ambientali che fanno di ogni organismo un unicum <\/em>difficilmente categorizzabile, anche all\u2019interno delle linee guida. \u00c8 per questo che anche nel terzo millennio la medicina resta un\u2019arte<\/em> che si esercita formulando giudizi e prendendo decisioni, sulla base di informazioni molto lontano dall\u2019essere complete.<\/p>\n\n\n\n Ma c\u2019\u00e8 un nuovo attore, ancora ai margini della relazione medico-paziente, che ha le potenzialit\u00e0 di trasformare l\u2019arte della medicina in scienza: il Machine Learning<\/em>.<\/p>\n\n\n\n \u201cVa detto subito \u2013 specifica la professoressa Mihaela van der Schaar<\/strong>, professore di Machine Learning, Intelligenza Artificiale e Medicina all\u2019Universit\u00e0 di Cambridge e direttore del Cambridge Center for AI in Medicine – che il machine learning<\/em> non pu\u00f2 fare medicina, non potr\u00e0 mai sostituirsi al medico insomma. La sua forza \u00e8 per\u00f2 quella di fornire informazioni interpretabili, affidabili e actionable<\/em>, cio\u00e8 fruibili nella pratica clinica\u201d.<\/p>\n\n\n\n Con gli algoritmi di machine learning<\/em> \u00e8 possibile ad esempio creare dei calcolatori di rischio personalizzati, raccomandazioni di trattamento personalizzate, ipotesi generate dai dati, elaborazione di raccomandazioni affidabili, da utilizzare nella pratica clinica.<\/p>\n\n\n\n La grande promessa del machine learning<\/em> in medicina \u00e8 insomma quella di portare la medicina di precisione al livello del singolo paziente, attraverso una migliore comprensione delle basi e delle traiettorie di salute e malattia. Il ML pu\u00f2 fornire empowerment<\/em> a medici e pazienti, migliorare i percorsi clinici, utilizzare meglio le risorse, abbattendo i costi, facilitare la scoperta di nuovi trattamenti, personalizzare le raccomandazioni cliniche, fornire strumenti di supporto operativi per la gestione degli ospedali. Implementato su larga scala potrebbe dunque avere un impatto trasformativo sulla salute della popolazione e sulle policy di public health<\/em>.<\/p>\n\n\n\n Ma tutto ci\u00f2 non \u00e8 fattibile utilizzando gli strumenti di machine learning<\/em> gi\u00e0 disponibili, quelli off the shelf<\/em>. \u00c8 necessario creare una nuova generazione di strumenti ad hoc. Che \u00e8 quello che la professoressa Van der Schaar sta cercando di fare, aprendo le porte del suo laboratorio alla comunit\u00e0 scientifica internazionale e mettendo a disposizione in open source<\/em> una serie di algoritmi da lei sviluppati. \u201cGli ingredienti necessari per sviluppare strumenti di ML cutting-edge<\/em> \u2013 spiega la Van der Schaar – sono i dati, anzi montagne di dati, la capacit\u00e0 di analizzarli non solo in modo statico, ma anche longitudinale (time series<\/em>) e un\u2019attenta valutazione degli esiti perch\u00e9 i risultati dell\u2019applicazione di questi strumenti devono essere interpretabili e consentire di \u2018quantificare\u2019 l\u2019incertezza\u201d.<\/p>\n\n\n\n L\u2019obiettivo \u00e8 quello di creare una vera partnership<\/em> uomo-macchina, mirata non certo ad esautorare la funzione del medico, che resta centrale nella cura del paziente, ma ad affinare le sue capacit\u00e0, dotandolo di strumenti da terzo millennio.<\/p>\n\n\n\n Ma siamo solo all\u2019inizio e i punti da smarcare sono tanti e centrali. La conditio sine qua non<\/em>, secondo la Van der Schaar, per accelerare il cambiamento nell\u2019healthcare<\/em> \u00e8 \u2018democratizzare\u2019 il ML, rendendone gli strumenti fruibili liberamente (off patent<\/em>) e rendendo il ML automatico e interpretabile. Fondamentale l\u2019analisi dinamica dei dati e la capacit\u00e0 di fare previsioni (time to event<\/em>) longitudinali, perch\u00e9 la variabile tempo \u00e8 tra le pi\u00f9 importanti da considerare (\u2018medicine is a time-series\u2019). C\u2019\u00e8 poi il grande interrogativo inerente alla possibilit\u00e0 di personalizzare i trattamenti, che potrebbe essere affrontato dalla computistica controfattuale (il \u2018what if?<\/em>\u2019, cio\u00e8 il \u2018e se ci fossimo comportati diversamente?\u2026\u2019).<\/p>\n\n\n\n I lavori pionieristici della Van der Schaar nel campo del ML automatico hanno gi\u00e0 portato alla realizzazione di vari strumenti come l\u2019AutoPrognosis, che consente di mettere a punto dei calcolatori di rischio clinici personalizzati (\u00e8 stato per ora applicato a: fibrosi cistica, malattie cardio-vascolari, cancro della prostata, complicanze dopo protesizzazione d\u2019anca, COVID-19, cancro della mammella; discectomia e fusione cervicale). AutoPrognosis \u00e8 un pacchetto di ML open-source, state of the art<\/em>, interpretabile; ma soprattutto facile da usare da parte di medici e non, interessati a sviluppare nuovi score <\/em>di rischio, strumenti per la diagnostica personalizzata e la prognosi.<\/p>\n\n\n\n L\u2019interpretabilit\u00e0 della logica dei risultati di ML resta un punto essenziale. Montagne di dati, testi e immagini finiscono nella \u2018scatola nera\u2019 della ML; ma poi \u00e8 necessario interpretarne il risultato e confrontare la \u2018scatola nera\u2019 del ML, con la \u2018scatola grigia\u2019 dell\u2019uomo, cio\u00e8 con la mente, l\u2019intelletto. E ancora, trasformarla in \u2018scatola bianca\u2019, utilizzando dei meta-modelli simbolici.<\/p>\n\n\n\n Un potenziale e importante campo di applicazione del ML sono i trial clinici controllati (ogni anno se ne avviano oltre 1.800, met\u00e0 dei quali in oncologia), che nel disegno attuale presentano tanti limiti e questo costituisce un problema non da poco, visto che le linee guida e quindi le nostre decisioni cliniche, ad esempio relative ad un trattamento, si basano sui risultati dei trial clinici randomizzati (RCT). In genere questi hanno una piccola casistica (in media 100-1000 pazienti, met\u00e0 dei quali fungono da controlli e con il 20% \u00e8 destinato a diventare drop out<\/em>); altri problemi sono rappresentati dai costi, pari in media a oltre 40.000 dollari\/paziente (il range \u00e8 di 4-40 milioni di euro per trial), la durata, che si aggira in genere intorno a 1-2 anni (il 30% del tempo se ne va per la fase di reclutamento e ritarda l\u201980% dei trial). \u201cIl ML in questo contesto \u2013 afferma la Van der Schaar – offrirebbe l\u2019opportunit\u00e0 di ridurre del 20% il numero dei pazienti richiesto; di rimpiazzare i controlli e drop out<\/em>; di ridurre del 20% il costo-paziente, migliorando reclutamento, monitoraggio e operazioni. Il risparmio di costi per ogni trial si pu\u00f2 quantificare intorno a 4-12 milioni, senza contare i mesi di tempo risparmiati per ogni trial.\u201d<\/p>\n\n\n\n \u201cIntegrare la grande ricchezza di dati del nostro G-Step, con gli algoritmi di ML della professoressa Van der Schaar \u2013 commenta la professoressa Evis Sala<\/strong>, Ordinario di radiologia presso l\u2019Universit\u00e0 Cattolica del Sacro Cuore, campus di Roma e di Direttore del Centro Avanzato di Radiodiagnostica della Fondazione Policlinico Universitario Agostino Gemelli IRRCS – rappresenterebbe l\u2019inizio di un\u2019importante partnership, ma anche una grande innovazione con un immediato e importante un impatto clinico. Noi abbiamo un prezioso data center<\/em>, un gioiello, che \u00e8 la base per costruire in questa direzione, quella del value based-medicine<\/em>. Un altro potenziale campo di collaborazione \u00e8 con il nostro Clinical Trial Center<\/em>. Il concetto alla base di tutto \u2013 prosegue la professoressa Sala \u2013 \u00e8 che pi\u00f9 numerosi sono i dati a disposizione, maggiore la personalizzazione dell\u2019assistenza che si pu\u00f2 offrire al singolo paziente. Le ricadute di questo approccio sono moltissime, dalla personalizzazione delle cure, alla definizione di nuove linee guida, alla possibilit\u00e0 di validare i risultati di un trial su tante diverse popolazioni. La professoressa Van der Schaar \u00e8 un matematico che ha lavorato nei pi\u00f9 prestigiosi centri accademici del mondo, come nell\u2019industria (IBM); il bello delle sue ricerche \u00e8 che cancellano i confini e la medicina a \u2018compartimenti stagni\u2019. Il suo \u00e8 un esempio di ricerca applicata in molti campi, che consente di democratizzare l\u2019healthcare<\/em>, attraverso la condivisione del know how<\/em>\u201d.<\/p>\n\n\n\n Maria Rita Montebelli<\/em><\/p>\n","protected":false},"excerpt":{"rendered":" Mihaela Van der Schaar, professoressa di Machine Learning, Intelligenza Artificiale e Medicina all\u2019Universit\u00e0 di Cambridge, ha tenuto al Gemelli, su invito della professoressa Evis Sala, Direttore del Centro Avanzato di Radiodiagnostica della Fondazione Policlinico Universitario Agostino Gemelli IRRCS, una lettura su intelligenza artificiale applicata alla medicina. La lettura \u00e8 stata introdotta dal prof. Giovanni Scambia […]<\/p>\n","protected":false},"featured_media":50598,"template":"","categorie":[96],"class_list":{"0":"post-50600","1":"kf_gem_news","2":"type-kf_gem_news","3":"status-publish","4":"has-post-thumbnail","6":"kf_gem_newscat-institutional-information","7":"entry"},"acf":[],"yoast_head":"\n