AI generativa in sanità: oltre la teoria, esperienze e strumenti

L’Artificial Intelligence (AI) generativa, grazie alla capacità di creare nuovi contenuti scritti, visivi e uditivi, in base a suggerimenti o ai dati esistenti, è solo l’ultimo step di un lungo cammino che ha attraversato il Machine learning e il Deep learning. In ambito sanitario, l’AI generativa è una sfida che apre a riflessioni di carattere etico, di sicurezza e di privacy, ma è anche una grande opportunità. FPA ne ha parlato in occasione del webinar “Impatti dell’Intelligenza Artificiale (AI) nel settore salute”, organizzato il 18 dicembre 2023 nell’ambito della partnership tra Poste Italiane e Microsoft Italia.

L’approccio inferenziale dell’AI fornisce un’interpretazione dei dati clinici esistenti a supporto delle decisioni per proporre un’interpretazione come già accade, ad esempio, nell’imaging radiologico, per gli esami di laboratorio, per le proposte terapeutiche. L’approccio organizzativo è ancora più significativo perché contribuisce all’ottimizzazione dei processi clinici, con use case particolarmente critici come il bed management, la gestione delle operations, la schedule optimization. L’arrivo del LLM (Large Language Model) è una grande semplificazione perché in un linguaggio naturale presenta i dati clinici e permette la loro interrogazione dall’operatore sanitario: “Gli LLM non portano nuova informazione, ma ristrutturano la base dati retrostante e ne forniscono una riproposizione”, spiega Foracchia. L’ultima generazione delle soluzioni basate su AI può così contribuire ad affrontare le principali sfide della sanità, quali l’aumento dei volumi e dei costi, oltre alla scarsità di personale sanitario, grazie alla riduzione del tempo dedicato alla sintesi e all’interrogazione dei dati clinici.

Casi applicativi dell’AI generativa in sanità a livello internazionale

Bianca Frigerio, Public Sector Account Technology Strategist di Microsoft Italia, sintetizza i casi di applicazione di AI generativa in sanità a partire da un articolo di Nature in cui vengono riportati  e classificati esempi di GMAI (Generalist Medicine AI).

Da parte sua, Microsoft sta lavorando da oltre un anno per integrare l’AI generativa nella cartella clinica (caso Epic) che consentirà agli operatori di interrogare e inserire in modo rapido i dati; grazie a GPT-4 le cartelle cliniche elettroniche potranno essere modernizzate e integrate. Un altro progetto, in collaborazione con il gruppo ospedaliero americano Mercy, prevede di impiegare Azure Open AI per migliorare l’assistenza in diverse aree, rendendo possibile l’accesso semplice e intuitivo da parte dei pazienti ai loro dati clinici, l’impiego dell’AI generativa per gestire le chiamate dei pazienti, mentre collaboratori di Mercy potranno trovare rapidamente informazioni importanti sulle procedure interne, grazie a un chatbot dedicato.

Altri esempi riguardano: l’uso del linguaggio naturale sui documenti anche traducendo da una lingua differente e ristrutturando le informazioni fornendo la fonte; il confronto fra dati, ad esempio i risultati di esami dello stesso paziente in periodi differenti; lo studio di metodi di AI multimodale per applicazioni radiologiche (progetto MAIRA).

Una sperimentazione italiana: AUSL di Reggio Emilia

C’è il rischio che si tratti di “una tecnologia in cerca di un problema, come tante volte è accaduto nel passato?” si chiede Marco Foracchia, Direttore di Struttura Complessa Servizio Tecnologie Informatiche e Telematiche AUSL Reggio Emilia, intervenuto nella sessione online per illustrare l’esperienza dell’AUSL.

Anche nel nostro Paese sono in corso progetti che prevedono l’impiego dell’AI generativa nella sanità, come nel caso dell’AUSL di Reggio Emilia che si muove in un contesto maturo di digitalizzazione. Questa premessa è importante in quanto, prima di avviare sperimentazioni con AI, è indispensabile che i dati clinici e i relativi processi siano digitalizzati. “Abbiamo lavorato nella gestione digitale del dato, non solo a livello ospedaliero, estendo a livello territoriale la creazione di una base dati solida”, precisa Foracchia. “A quel punto ci siamo sentiti pronti per sperimentare sia in ambito AI tradizionale sia LLM”.

Si è partiti dalla presa in carico del paziente oncologico da parte dell’operatore sanitario che deve comprenderne la storia completa (oltre 70 sistemi clinici integrati in un unico CDR) supportata da oltre 160 documenti clinici e dalla cartella clinica informatizzata che narra oltre un anno di storia. Serve dunque un Patient summary, che riassuma questi dati in modo strutturato basato su standard internazionale (FHIR) per poter leggere in poco tempo i documenti, che vengono comunque resi disponibili per approfondimenti. LLM può essere impiegato non solo per il Patient summary ma anche per interrogare in modo narrativo la storia clinica.

I benefici sono evidenti, ma va valutata comunque la sostenibilità del progetto, visto che gli LLM funzionano a consumo, come suggerisce Foracchia ricordando i numeri dell’organizzazione emiliana: ogni giorno la storia clinica di 15.000 pazienti evolve e ogni giorno gli operatori consultano la storia clinica di 1.500 pazienti ricoverati, 800 pazienti in accessi Day Hospital / Day Service e 4.000 pazienti in accessi ambulatoriale.

Il nodo della privacy

In conclusione, non poteva mancare almeno un riferimento ai temi della sensibilità e della riservatezza delle informazioni trattate in ambito sanitario. Microsoft assicura i principi di AI responsabile che prevede, fra l’altro, che i dati dei pazienti non vengano utilizzati per addestrare i modelli di base OpenAI senza autorizzazione e che siano protetti dai controlli di conformità e sicurezza aziendali più completi.

Inoltre, l’AUSL di Reggio Emilia applica al software il regolamento relativo ai medical device che prevede una sicurezza basata su una normativa particolarmente severa ma necessaria, nonostante dilati i tempi e renda complessa l’immissione sul mercato.