La complessità e l’aumento dei dati nel settore sanitario implicano che l’intelligenza artificiale (AI) sarà sempre più applicata all’interno del campo. Diversi tipi di intelligenza artificiale sono già impiegati da pagatori e fornitori di assistenza e società di scienze della vita. Le principali categorie di domande riguardano le raccomandazioni per la diagnosi e il trattamento, il coinvolgimento e l’adesione dei pazienti e le attività amministrative. Sebbene esistano molti casi in cui l’intelligenza artificiale può svolgere attività sanitarie altrettanto o meglio degli esseri umani, i fattori di implementazione impediranno l’automazione su larga scala dei lavori degli operatori sanitari per un periodo considerevole. Vengono inoltre discusse questioni etiche nell’applicazione dell’IA all’assistenza sanitaria.
L’intelligenza artificiale (AI) e le tecnologie correlate sono sempre più diffuse nel mondo degli affari e nella società e stanno iniziando ad essere applicate all’assistenza sanitaria. Queste tecnologie hanno il potenziale per trasformare molti aspetti dell’assistenza ai pazienti, così come i processi amministrativi all’interno delle organizzazioni di fornitori, pagatori e farmaceutiche.
Esistono già numerosi studi di ricerca che suggeriscono che l’intelligenza artificiale può funzionare bene o meglio degli esseri umani in compiti sanitari chiave, come la diagnosi di malattie. Oggi, gli algoritmi stanno già superando i radiologi nell’individuare i tumori maligni e guidano i ricercatori su come costruire coorti per costosi studi clinici. Tuttavia, per una serie di motivi, riteniamo che ci vorranno molti anni prima che l’IA sostituisca gli esseri umani per ampi domini di processi medici. In questo articolo, descriviamo sia il potenziale che l’IA offre per automatizzare gli aspetti dell’assistenza, sia alcuni degli ostacoli alla rapida implementazione dell’IA nell’assistenza sanitaria.
L’intelligenza artificiale non è una tecnologia, ma piuttosto un insieme di esse. La maggior parte di queste tecnologie ha rilevanza immediata per il settore sanitario, ma i processi e le attività specifiche che supportano variano notevolmente. Di seguito sono definite e descritte alcune particolari tecnologie di intelligenza artificiale di grande importanza per l’assistenza sanitaria.
Machine learning: reti neurali e deep learning
L’apprendimento automatico è una tecnica statistica per adattare i modelli ai dati e per “imparare” addestrando i modelli con i dati. L’apprendimento automatico è una delle forme più comuni di IA; in un sondaggio Deloitte del 2018 condotto su 1.100 manager statunitensi le cui organizzazioni stavano già perseguendo l’intelligenza artificiale, il 63% delle aziende intervistate utilizzava l’apprendimento automatico nelle proprie attività. È una tecnica ampia al centro di molti approcci all’IA e ne esistono molte versioni.
Nel settore sanitario, l’applicazione più comune dell’apprendimento automatico tradizionale è la medicina di precisione, che prevede quali protocolli di trattamento potrebbero avere successo su un paziente in base a vari attributi del paziente e al contesto del trattamento. La grande maggioranza delle applicazioni di machine learning e medicina di precisione richiede un set di dati di addestramento per il quale è nota la variabile di esito (ad es. insorgenza della malattia); questo si chiama apprendimento supervisionato.
Una forma più complessa di apprendimento automatico è la rete neurale , una tecnologia disponibile sin dagli anni ’60 che è stata ben consolidata nella ricerca sanitaria per diversi decenni ed è stata utilizzata per applicazioni di categorizzazione come determinare se un paziente acquisirà una particolare malattia. Visualizza i problemi in termini di input, output e pesi di variabili o “caratteristiche” che associano input a output. È stato paragonato al modo in cui i neuroni elaborano i segnali, ma l’analogia con la funzione del cervello è relativamente debole.
Le forme più complesse di apprendimento automatico coinvolgono il deep learning o modelli di reti neurali con molti livelli di funzionalità o variabili che prevedono i risultati. Potrebbero esserci migliaia di funzionalità nascoste in tali modelli, che vengono scoperte dall’elaborazione più rapida delle unità di elaborazione grafica e delle architetture cloud di oggi. Un’applicazione comune del deep learning nel settore sanitario è il riconoscimento di lesioni potenzialmente cancerose nelle immagini radiologiche. Il deep learning viene sempre più applicato alla radiomica o al rilevamento di caratteristiche clinicamente rilevanti nei dati di imaging al di là di ciò che può essere percepito dall’occhio umano. Sia la radiomica che il deep learning si trovano più comunemente nell’analisi delle immagini orientata all’oncologia. La loro combinazione sembra promettere una maggiore accuratezza nella diagnosi rispetto alla precedente generazione di strumenti automatizzati per l’analisi delle immagini, noti come rilevamento assistito da computer o CAD.
Il deep learning è sempre più utilizzato anche per il riconoscimento vocale e, come tale, è una forma di elaborazione del linguaggio naturale (NLP), descritta di seguito. A differenza delle precedenti forme di analisi statistica, ogni caratteristica in un modello di deep learning in genere ha poco significato per un osservatore umano. Di conseguenza, la spiegazione dei risultati del modello può essere molto difficile o impossibile da interpretare.
Elaborazione del linguaggio naturale
Dare un senso al linguaggio umano è stato un obiettivo dei ricercatori di intelligenza artificiale sin dagli anni ’50. Questo campo, PNL, include applicazioni come il riconoscimento vocale, l’analisi del testo, la traduzione e altri obiettivi legati alla lingua. Esistono due approcci di base: la PNL statistica e quella semantica. La PNL statistica si basa sull’apprendimento automatico (reti neurali di deep learning in particolare) e ha contribuito a un recente aumento dell’accuratezza del riconoscimento. Richiede un ampio “corpus” o corpo di lingua da cui imparare.
Nel settore sanitario, le applicazioni dominanti della PNL riguardano la creazione, la comprensione e la classificazione della documentazione clinica e della ricerca pubblicata. I sistemi di PNL possono analizzare note cliniche non strutturate sui pazienti, preparare report (ad es. su esami radiologici), trascrivere le interazioni dei pazienti e condurre AI conversazionali.
Sistemi esperti basati su regole
I sistemi esperti basati su raccolte di regole “se-allora” erano la tecnologia dominante per l’IA negli anni ’80 e sono stati ampiamente utilizzati commercialmente in quel periodo e in periodi successivi. Nel settore sanitario, sono stati ampiamente utilizzati per scopi di “supporto decisionale clinico” negli ultimi due decenni e sono ancora ampiamente utilizzati oggi. Molti fornitori di cartelle cliniche elettroniche (EHR) forniscono oggi una serie di regole con i loro sistemi.
I sistemi esperti richiedono esperti umani e ingegneri della conoscenza per costruire una serie di regole in un particolare dominio della conoscenza. Funzionano bene fino a un certo punto e sono facili da capire. Tuttavia, quando il numero di regole è elevato (di solito più di diverse migliaia) e le regole iniziano a entrare in conflitto tra loro, tendono a fallire. Inoltre, se il dominio della conoscenza cambia, cambiare le regole può essere difficile e richiedere molto tempo. Vengono lentamente sostituiti nel settore sanitario da più approcci basati su dati e algoritmi di apprendimento automatico.
Robot fisici
I robot fisici sono ormai ben noti, dato che ogni anno vengono installati più di 200.000 robot industriali in tutto il mondo. Eseguono attività predefinite come sollevare, riposizionare, saldare o assemblare oggetti in luoghi come fabbriche e magazzini e consegnare forniture negli ospedali. Più di recente, i robot sono diventati più collaborativi con gli esseri umani e vengono addestrati più facilmente spostandoli attraverso un compito desiderato. Stanno anche diventando più intelligenti, poiché altre capacità di intelligenza artificiale vengono incorporate nei loro “cervelli” (in realtà i loro sistemi operativi). Nel corso del tempo, sembra probabile che gli stessi miglioramenti nell’intelligenza che abbiamo visto in altre aree dell’IA verranno incorporati nei robot fisici.
I robot chirurgici, inizialmente approvati negli Stati Uniti nel 2000, forniscono “superpoteri” ai chirurghi, migliorando la loro capacità di vedere, creare incisioni precise e minimamente invasive, suturare ferite e così via. Tuttavia, le decisioni importanti vengono ancora prese dai chirurghi umani. Le procedure chirurgiche comuni che utilizzano la chirurgia robotica includono la chirurgia ginecologica, la chirurgia della prostata e la chirurgia della testa e del collo.
Automazione robotica dei processi
Questa tecnologia esegue compiti digitali strutturati per scopi amministrativi, cioè quelli che coinvolgono i sistemi informativi, come se fosse un utente umano che segue un copione o delle regole. Rispetto ad altre forme di IA sono poco costose, facili da programmare e trasparenti nelle loro azioni. L’automazione robotica dei processi (RPA) non coinvolge realmente i robot, ma solo i programmi per computer sui server. Si basa su una combinazione di flusso di lavoro, regole aziendali e integrazione del “livello di presentazione” con i sistemi informativi per agire come un utente semi-intelligente dei sistemi. Nel settore sanitario, vengono utilizzati per attività ripetitive come l’autorizzazione preventiva, l’aggiornamento delle cartelle cliniche o la fatturazione. Se combinati con altre tecnologie come il riconoscimento delle immagini, possono essere utilizzati per estrarre dati, ad esempio, da immagini inviate via fax per inserirli in sistemi transazionali.
Abbiamo descritto queste tecnologie come singole, ma sempre più vengono combinate e integrate; i robot stanno ottenendo “cervelli” basati sull’intelligenza artificiale, il riconoscimento delle immagini viene integrato con RPA. Forse in futuro queste tecnologie saranno così mescolate che le soluzioni composite saranno più probabili o fattibili.
Applicazioni diagnostiche e terapeutiche
La diagnosi e il trattamento della malattia sono stati al centro dell’IA almeno dagli anni ’70, quando MYCIN è stato sviluppato a Stanford per diagnosticare le infezioni batteriche trasmesse dal sangue. Questo e altri primi sistemi basati su regole si sono dimostrati promettenti per la diagnosi e il trattamento accurati delle malattie, ma non sono stati adottati per la pratica clinica. Non erano sostanzialmente migliori dei diagnostici umani ed erano scarsamente integrati con i flussi di lavoro dei medici e i sistemi di cartelle cliniche.
Più recentemente, Watson di IBM ha ricevuto una notevole attenzione da parte dei media per la sua attenzione alla medicina di precisione, in particolare la diagnosi e il trattamento del cancro. Watson utilizza una combinazione di machine learning e funzionalità NLP. Tuttavia, l’entusiasmo iniziale per questa applicazione della tecnologia è svanito quando i clienti si sono resi conto della difficoltà di insegnare a Watson come affrontare particolari tipi di cancro e di integrare Watson nei processi e nei sistemi di cura. Watson non è un singolo prodotto, ma un insieme di “servizi cognitivi” forniti tramite interfacce di programmazione delle applicazioni (API), inclusi programmi di analisi dei dati basati su linguaggio e linguaggio, visione e machine learning. La maggior parte degli osservatori ritiene che le API Watson siano tecnicamente capaci, ma affrontare il trattamento del cancro era un obiettivo eccessivamente ambizioso. Watson e altri programmi proprietari hanno anche sofferto della concorrenza con i programmi gratuiti “open source” forniti da alcuni fornitori, come TensorFlow di Google.
I problemi di implementazione con l’IA assillano molte organizzazioni sanitarie. Sebbene i sistemi basati su regole incorporati nei sistemi EHR siano ampiamente utilizzati, anche presso il NHS, mancano della precisione di sistemi più algoritmici basati sull’apprendimento automatico. Questi sistemi di supporto alle decisioni cliniche basati su regole sono difficili da mantenere man mano che le conoscenze mediche cambiano e spesso non sono in grado di gestire l’esplosione di dati e conoscenze basati su approcci alla cura genomici, proteomici, metabolici e altri “basati sull’omico”.
Questa situazione sta cominciando a cambiare, ma è presente soprattutto nei laboratori di ricerca e nelle aziende tecnologiche, piuttosto che nella pratica clinica. Non passa quasi settimana senza che un laboratorio di ricerca affermi di aver sviluppato un approccio all’utilizzo dell’intelligenza artificiale o dei big data per diagnosticare e curare una malattia con una precisione pari o superiore a quella dei medici umani. Molti di questi risultati si basano sull’analisi delle immagini radiologiche, sebbene alcuni riguardino altri tipi di immagini come la scansione della retina o la medicina di precisione basata sulla genomica. Poiché questi tipi di risultati si basano su modelli di apprendimento automatico basati su statistiche, stanno inaugurando un’era di medicina basata sull’evidenza e sulla probabilità, che è generalmente considerata positiva ma porta con sé molte sfide nell’etica medica e nelle relazioni paziente/clinico .
Anche le aziende tecnologiche e le startup stanno lavorando assiduamente sugli stessi temi. Google, ad esempio, sta collaborando con le reti di assistenza sanitaria per creare modelli di previsione dai big data per avvisare i medici di condizioni ad alto rischio, come sepsi e insufficienza cardiaca. Google, Enlitic e una varietà di altre startup stanno sviluppando algoritmi di interpretazione delle immagini derivati dall’intelligenza artificiale. Jvion offre una “macchina per il successo clinico” che identifica i pazienti più a rischio e quelli che hanno maggiori probabilità di rispondere ai protocolli di trattamento. Ognuno di questi potrebbe fornire supporto decisionale ai medici che cercano di trovare la migliore diagnosi e trattamento per i pazienti.
Esistono anche diverse aziende che si concentrano specificamente sulla diagnosi e sulle raccomandazioni terapeutiche per alcuni tipi di cancro in base ai loro profili genetici. Poiché molti tumori hanno una base genetica, i medici umani hanno trovato sempre più complesso comprendere tutte le varianti genetiche del cancro e la loro risposta a nuovi farmaci e protocolli. Aziende come Foundation Medicine e Flatiron Health, entrambe ora di proprietà di Roche, sono specializzate in questo approccio.
Sia i fornitori che i pagatori dell’assistenza utilizzano anche modelli di apprendimento automatico della “salute della popolazione” per prevedere le popolazioni a rischio di particolari malattie o incidenti o per prevedere la riammissione ospedaliera. Questi modelli possono essere efficaci nella previsione, anche se a volte mancano di tutti i dati rilevanti che potrebbero aggiungere capacità predittive, come lo stato socio-economico del paziente.
Ma indipendentemente dal fatto che siano di natura basata su regole o algoritmica, la diagnosi basata sull’intelligenza artificiale e le raccomandazioni terapeutiche a volte sono difficili da integrare nei flussi di lavoro clinici e nei sistemi EHR. Tali problemi di integrazione sono stati probabilmente un ostacolo maggiore all’ampia implementazione dell’IA rispetto a qualsiasi incapacità di fornire raccomandazioni accurate ed efficaci; e molte funzionalità basate sull’intelligenza artificiale per la diagnosi e il trattamento delle aziende tecnologiche sono di natura autonoma o affrontano solo un singolo aspetto dell’assistenza. Alcuni fornitori di cartelle cliniche elettroniche hanno iniziato a incorporare funzioni di intelligenza artificiale limitate (oltre al supporto decisionale clinico basato su regole) nelle loro offerte, ma queste sono nelle fasi iniziali. I fornitori dovranno intraprendere essi stessi progetti di integrazione sostanziali o attendere che i fornitori di EHR aggiungano ulteriori funzionalità di intelligenza artificiale.
Applicazioni per il coinvolgimento e l’adesione del paziente
Il coinvolgimento e l’adesione dei pazienti è stato a lungo visto come il problema dell’ultimo miglio dell’assistenza sanitaria, l’ultima barriera tra risultati di salute inefficaci e positivi. Più i pazienti partecipano in modo proattivo al proprio benessere e alle proprie cure, migliori saranno i risultati: utilizzo, risultati finanziari ed esperienza dei membri. Questi fattori vengono sempre più affrontati dai big data e dall’intelligenza artificiale.
I fornitori e gli ospedali spesso usano la loro esperienza clinica per sviluppare un piano di cura che sanno migliorerà la salute di un paziente cronico o acuto. Tuttavia, ciò spesso non ha importanza se il paziente non riesce a effettuare gli adeguamenti comportamentali necessari, ad esempio perdere peso, programmare una visita di controllo, compilare le prescrizioni o rispettare un piano di trattamento. La non compliance – quando un paziente non segue un ciclo di trattamento o non assume i farmaci prescritti come raccomandato – è un grave problema.
In un sondaggio condotto su oltre 300 leader clinici e dirigenti sanitari, oltre il 70% degli intervistati ha riferito di avere meno del 50% dei propri pazienti molto coinvolti e il 42% degli intervistati ha dichiarato che meno del 25% dei propri pazienti era molto coinvolto.
Se un coinvolgimento più profondo da parte dei pazienti si traduce in migliori risultati di salute, le capacità basate sull’intelligenza artificiale possono essere efficaci nel personalizzare e contestualizzare l’assistenza? C’è una crescente enfasi sull’utilizzo dell’apprendimento automatico e dei motori di regole aziendali per guidare interventi sfumati lungo il continuum assistenziale. La messaggistica di avvisi e contenuti mirati e pertinenti che provocano azioni nei momenti che contano è un campo di ricerca promettente.
Un’altra crescente attenzione nel settore sanitario è la progettazione efficace dell'”architettura di scelta” per spingere il comportamento del paziente in modo più anticipatorio sulla base di prove del mondo reale. Attraverso le informazioni fornite dai fornitori di sistemi EHR, biosensori, orologi, smartphone, interfacce conversazionali e altra strumentazione, il software può personalizzare le raccomandazioni confrontando i dati dei pazienti con altri percorsi di trattamento efficaci per coorti simili. Le raccomandazioni possono essere fornite a fornitori, pazienti, infermieri, agenti di call center o coordinatori dell’assistenza.
Applicazioni amministrative
Ci sono anche moltissime applicazioni amministrative nel settore sanitario. L’uso dell’intelligenza artificiale è in qualche modo meno potenzialmente rivoluzionario in questo dominio rispetto alla cura del paziente, ma può fornire sostanziali efficienze. Questi sono necessari nel settore sanitario perché, ad esempio, l’infermiere statunitense medio dedica il 25% del tempo lavorativo ad attività normative e amministrative. La tecnologia più probabilmente rilevante per questo obiettivo è l’RPA. Può essere utilizzato per una varietà di applicazioni nel settore sanitario, tra cui l’elaborazione delle richieste di risarcimento, la documentazione clinica, la gestione del ciclo delle entrate e la gestione delle cartelle cliniche.
Alcune organizzazioni sanitarie hanno anche sperimentato i chatbot per l’interazione con i pazienti, la salute mentale e il benessere e la telemedicina. Queste applicazioni basate sulla PNL possono essere utili per transazioni semplici come la ricarica di prescrizioni o la fissazione di appuntamenti. Tuttavia, in un sondaggio condotto su 500 utenti statunitensi dei primi cinque chatbot utilizzati nel settore sanitario, i pazienti hanno espresso preoccupazione per la rivelazione di informazioni riservate, la discussione di condizioni di salute complesse e la scarsa usabilità.
Un’altra tecnologia di intelligenza artificiale rilevante per l’amministrazione dei reclami e dei pagamenti è l’apprendimento automatico, che può essere utilizzato per la corrispondenza probabilistica dei dati tra diversi database. Gli assicuratori hanno il dovere di verificare se i milioni di sinistri sono corretti. Identificare, analizzare e correggere in modo affidabile i problemi di codifica e le dichiarazioni errate consente a tutte le parti interessate (assicuratori sanitari, governi e fornitori allo stesso modo) di risparmiare molto tempo, denaro e fatica. Le affermazioni errate che sfuggono alle fessure costituiscono un potenziale finanziario significativo in attesa di essere sbloccato attraverso la corrispondenza dei dati e gli audit delle richieste.
Implicazioni per il personale sanitario
C’è stata una notevole attenzione alla preoccupazione che l’IA porterà all’automazione dei posti di lavoro e al sostanziale spostamento della forza lavoro. Una collaborazione di Deloitte con l’Oxford Martin Institute ha suggerito che il 35% dei posti di lavoro nel Regno Unito potrebbe essere automatizzato dall’IA nei prossimi 10-20 anni. Altri studi hanno suggerito che mentre una certa automazione dei posti di lavoro è possibile, una varietà di fattori esterni diversi dalla tecnologia potrebbe limitare la perdita di posti di lavoro, tra cui il costo delle tecnologie di automazione, la crescita e il costo del mercato del lavoro, i vantaggi dell’automazione al di là della semplice sostituzione del lavoro e le normative e accettazione sociale. Questi fattori potrebbero limitare la perdita effettiva di posti di lavoro al 5% o meno.
A nostra conoscenza finora non ci sono stati posti di lavoro eliminati dall’IA nell’assistenza sanitaria. La limitata incursione dell’IA nel settore fino ad ora e la difficoltà di integrare l’IA nei flussi di lavoro clinici e nei sistemi EHR sono state in qualche modo responsabili della mancanza di impatto sul lavoro. Sembra probabile che i lavori sanitari con maggiori probabilità di essere automatizzati siano quelli che implicano la gestione di informazioni digitali, ad esempio radiologia e patologia, piuttosto che quelli con contatto diretto con il paziente.
Ma anche in lavori come radiologo e patologo, è probabile che la penetrazione dell’intelligenza artificiale in questi campi sia lenta. Anche se, come abbiamo sostenuto, tecnologie come il deep learning stanno facendo breccia nella capacità di diagnosticare e classificare le immagini, ci sono diversi motivi per cui i lavori di radiologia, ad esempio, non scompariranno presto.
In primo luogo, i radiologi non si limitano a leggere e interpretare le immagini. Come altri sistemi di intelligenza artificiale, i sistemi di intelligenza artificiale per radiologia eseguono singole attività. I modelli di deep learning nei laboratori e nelle startup vengono addestrati per attività specifiche di riconoscimento delle immagini (come il rilevamento di noduli sulla tomografia computerizzata del torace o l’emorragia sulla risonanza magnetica cerebrale). Tuttavia, sono necessarie migliaia di attività di rilevamento così ristrette per identificare completamente tutti i potenziali risultati nelle immagini mediche e solo alcune di queste possono essere eseguite dall’IA oggi. I radiologi si consultano anche con altri medici sulla diagnosi e il trattamento, trattano malattie (ad esempio fornendo terapie ablative locali) ed eseguono interventi medici guidati da immagini come biopsie tumorali e stent vascolari (radiologia interventistica), definiscono i parametri tecnici degli esami di imaging da eseguire (su misura per il paziente’
In secondo luogo, i processi clinici per l’utilizzo di immagini basate sull’intelligenza artificiale sono ben lungi dall’essere pronti per l’uso quotidiano. Diversi fornitori di tecnologia di imaging e algoritmi di deep learning hanno punti focali diversi: la probabilità di una lesione, la probabilità di cancro, la caratteristica di un nodulo o la sua posizione. Questi focolai distinti renderebbero molto difficile integrare i sistemi di apprendimento profondo nella pratica clinica attuale.
In terzo luogo, gli algoritmi di deep learning per il riconoscimento delle immagini richiedono “dati etichettati”: milioni di immagini di pazienti che hanno ricevuto una diagnosi definitiva di cancro, frattura ossea o altra patologia. Tuttavia, non esiste un archivio aggregato di immagini radiologiche, etichettate o meno.
Infine, saranno necessarie modifiche sostanziali nella regolamentazione medica e nell’assicurazione sanitaria affinché l’analisi automatizzata delle immagini possa decollare.
Fattori simili sono presenti per la patologia e altri aspetti della medicina orientati al digitale. A causa loro, è improbabile che assisteremo a cambiamenti sostanziali nell’occupazione sanitaria dovuti all’IA nei prossimi 20 anni circa. C’è anche la possibilità che vengano creati nuovi posti di lavoro per lavorare con e sviluppare tecnologie di intelligenza artificiale. Ma l’occupazione umana statica o in aumento significa anche, ovviamente, che è improbabile che le tecnologie di intelligenza artificiale riducano sostanzialmente i costi della diagnosi e del trattamento medico in quel lasso di tempo.
Implicazioni etiche
Infine, ci sono anche una serie di implicazioni etiche sull’uso dell’intelligenza artificiale nell’assistenza sanitaria. Le decisioni sanitarie sono state prese quasi esclusivamente da esseri umani in passato e l’uso di macchine intelligenti per prenderle o assisterle solleva problemi di responsabilità, trasparenza, autorizzazione e privacy.
Forse il problema più difficile da affrontare date le tecnologie odierne è la trasparenza. Molti algoritmi di intelligenza artificiale, in particolare gli algoritmi di deep learning utilizzati per l’analisi delle immagini, sono praticamente impossibili da interpretare o spiegare. Se un paziente viene informato che un’immagine ha portato a una diagnosi di cancro, probabilmente vorrà sapere perché. Gli algoritmi di deep learning e persino i medici che generalmente hanno familiarità con il loro funzionamento potrebbero non essere in grado di fornire una spiegazione.
I sistemi di intelligenza artificiale commetteranno indubbiamente errori nella diagnosi e nel trattamento dei pazienti e potrebbe essere difficile stabilirne la responsabilità. È probabile che si verifichino anche incidenti in cui i pazienti ricevono informazioni mediche dai sistemi di intelligenza artificiale che preferirebbero ricevere da un medico empatico. I sistemi di apprendimento automatico nel settore sanitario possono anche essere soggetti a pregiudizi algoritmici, forse prevedendo una maggiore probabilità di malattia sulla base del genere o della razza quando questi non sono effettivamente fattori causali.
È probabile che incontreremo molti cambiamenti etici, medici, occupazionali e tecnologici con l’IA nel settore sanitario. È importante che le istituzioni sanitarie, così come gli organismi governativi e normativi, stabiliscano strutture per monitorare le questioni chiave, reagire in modo responsabile e stabilire meccanismi di governance per limitare le implicazioni negative. Questa è una delle tecnologie più potenti e consequenziali per avere un impatto sulle società umane, quindi richiederà un’attenzione continua e una politica ponderata per molti anni.
Il futuro dell’IA in ambito sanitario
Riteniamo che l’intelligenza artificiale abbia un ruolo importante da svolgere nell’offerta sanitaria del futuro. Sotto forma di apprendimento automatico, è la capacità principale alla base dello sviluppo della medicina di precisione, ampiamente riconosciuta come un progresso assolutamente necessario nell’assistenza. Sebbene i primi sforzi per fornire raccomandazioni diagnostiche e terapeutiche si siano dimostrati impegnativi, prevediamo che l’IA alla fine padroneggerà anche questo dominio. Dati i rapidi progressi dell’intelligenza artificiale per l’analisi delle immagini, sembra probabile che la maggior parte delle immagini radiologiche e patologiche verranno prima o poi esaminate da una macchina. Il riconoscimento vocale e del testo sono già utilizzati per attività come la comunicazione con il paziente e l’acquisizione di note cliniche e il loro utilizzo aumenterà.
La più grande sfida per l’intelligenza artificiale in questi settori sanitari non è se le tecnologie saranno sufficientemente capaci per essere utili, ma piuttosto garantirne l’adozione nella pratica clinica quotidiana. Affinché avvenga un’adozione diffusa, i sistemi di intelligenza artificiale devono essere approvati dalle autorità di regolamentazione, integrati con i sistemi EHR, standardizzati a un livello sufficiente affinché prodotti simili funzionino in modo simile, insegnati ai medici, pagati da organizzazioni pubbliche o private e aggiornati nel tempo nel campo. Queste sfide alla fine saranno superate, ma ci vorrà molto più tempo per farlo di quanto ci vorrà perché le tecnologie stesse maturino. Di conseguenza, ci aspettiamo di vedere un uso limitato dell’IA nella pratica clinica entro 5 anni e un uso più esteso entro 10.
Sembra inoltre sempre più chiaro che i sistemi di intelligenza artificiale non sostituiranno i medici umani su larga scala, ma piuttosto aumenteranno i loro sforzi per prendersi cura dei pazienti. Nel corso del tempo, i medici umani possono spostarsi verso compiti e progetti di lavoro che attingono a capacità unicamente umane come l’empatia, la persuasione e l’integrazione del quadro generale. Forse gli unici operatori sanitari che perderanno il lavoro nel tempo potrebbero essere quelli che si rifiutano di lavorare a fianco dell’intelligenza artificiale.
Articolo tradotto : https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6616181/
