In che modo il deep learning sta cambiando l'assistenza sanitaria Parte 2: Prevenzione

La scorsa settimana abbiamo parlato di come l'IA sta cambiando il modo in cui i medici diagnosticano malattie e disturbi.

Ma, per quanto importante sia una diagnosi rapida, economica e accurata, c'è una cosa che è ancora meglio: la prevenzione.

Questa settimana ci addentreremo nel modo in cui l'IA sta trasformando il modo in cui i medici predicono e prevengono malattie e ricoveri.

Previsioni tempestive aiuteranno a prevenire le malattie

Ogni anno, gli ospedali statunitensi accolgono inutilmente 4,4 milioni di pazienti, per un costo di 30,8 miliardi di dollari, secondo le stime dell'Agenzia statunitense per la ricerca e la qualità dell'assistenza sanitaria.

Solo due disturbi - malattie cardiache e complicazioni del diabete - rappresentano la metà di tutti i ricoveri non necessari.

Infografica sulle malattie cardiache (Fonte: Huffington Post)

Ecco alcuni esempi di come il deep learning stia già aiutando a prevedere ed evitare eventi sanitari negativi legati a malattie cardiache e diabete:

• I ricercatori del Center for Information and Systems Engineering della Boston University hanno lavorato con gli ospedali locali per monitorare i pazienti con malattie cardiache e diabete e prevedere quali di loro richiederanno il ricovero in ospedale. Se gli operatori sanitari possono prevedere chi avrà bisogno di aiuto prima che sia necessario, possono prevenire molti di questi ricoveri. Il modello di deep learning utilizzato dai ricercatori può prevedere con un'accuratezza dell'82% chi avrà bisogno del ricovero in ospedale con circa un anno di anticipo.

• I ricercatori della Sutter Health e del Georgia Institute of Technology possono ora prevedere lo scompenso cardiaco utilizzando il deep learning per analizzare le cartelle cliniche elettroniche fino a nove mesi prima che i medici utilizzino i mezzi tradizionali.
• Frans Von Houten, presidente e CEO di Royal Philips, ha dichiarato alla CNBC a maggio che la sua azienda ora utilizza l'intelligenza artificiale per prevedere con precisione se un paziente avrà un infarto ore prima che accada.

Ma l'IA non sta solo aiutando a prevenire eventi sanitari improvvisi. Sta anche aiutando a contrastare la degenerazione in corso.

Ad esempio, la retinopatia diabetica è una delle principali cause di cecità tra gli adulti in età lavorativa.

Diagramma della retinopatia diabetica (Fonte: news-medical.net)

Tali complicazioni legate al diabete derivano da picchi e cali dei livelli di glucosio nel sangue, quindi una previsione accurata dei livelli di glucosio nel sangue è la chiave per prevenire cali e picchi in primo luogo con snack tempestivi e iniezioni di insulina.

Un documento del luglio 2017 mostra che le reti neurali profonde, che eseguono l'apprendimento profondo, possono imparare da un gruppo di bambini diabetici come prevedere con precisione i livelli di glucosio nel sangue (al fine di prevenire questi cali e picchi) in un gruppo più ampio di bambini.

La comprensione di come i geni portano alla malattia si approfondirà

Un altro modo per prevenire le malattie con l'IA è prevedere chi svilupperà determinati disturbi in base al loro corredo genetico.

Secondo l'analista sanitario di Gartner, Richard Gibson, i geni sono "la cosa più grande che abbia mai colpito l'assistenza sanitaria, sicuramente dall'avvento degli antibiotici nel 1950".

In particolare, poiché i ricercatori raccolgono dati genomici a livelli senza precedenti e i modelli di deep learning rendono l'analisi di tali dati e il tracciamento delle connessioni più facili che mai, stiamo imparando una quantità incredibile di come fattori genetici come le mutazioni portano alla malattia.

Questi progressi stanno portando a una medicina personalizzata o di "precisione", in cui l'obiettivo è adattare i trattamenti alla composizione genomica di ciascun paziente.

Il tuo genoma è l'insieme completo di istruzioni chimiche per costruire un "tu". Sebbene la genomica sia ancora agli inizi, ci sono progetti che stanno facendo passi da gigante. Ad esempio, un team di ricercatori dell'Università di Toronto sta lavorando per costruire un motore di interpretazione genetica per identificare rapidamente le mutazioni che causano il cancro nei singoli pazienti.

Sempre a Toronto, una startup chiamata Deep Genomics applica un modello di apprendimento profondo a enormi set di dati di informazioni genetiche e cartelle cliniche per abbinare le variazioni genetiche con la malattia corrispondente.

Entrambe le organizzazioni utilizzano la piattaforma di elaborazione AI, GPU Nvidia per i loro modelli.

Preparati per il deep learning con il software giusto

Mentre le GPU come quelle prodotte da Nvidia sono essenziali per l'esecuzione di algoritmi di deep learning, hai anche bisogno di software specializzato per rendere l'IA sanitaria una realtà.

Il gruppo della Boston University è stato in grado di prevedere chi avrebbe avuto bisogno del ricovero in ospedale con una precisione molto maggiore rispetto ai soli medici, perché hanno utilizzato le reti neurali profonde (DNN).

I DNN possono analizzare fino a 200 fattori, come la storia sanitaria e le informazioni demografiche, per identificare quelli associati a malattie future. Tuttavia, affinché il modello DNN funzioni, ha bisogno dei dati dei record EHR.

Una potenziale sfida è che le cartelle cliniche elettroniche in genere archiviano questo tipo di dati in grandi blocchi di testo. Ad esempio, un EHR può avere una registrazione della storia di depressione di un paziente in una sezione "Note", in cui un medico scrive "La madre del paziente soffriva di stati d'animo depressi" insieme a reclami, problemi, ecc.

Ma, per funzionare, i modelli di IA necessitano di dati ben strutturati. È più facile per una macchina analizzare che un paziente ha una storia familiare di depressione se c'è una colonna chiamata "anamnesi familiare" e una casella di controllo accanto a "depressione".

Presto il deep learning diventerà "obbligatorio per le persone che creano applicazioni software sofisticate", ha detto a Fortune il partner di Andreessen Horowitz Frank Chen.

La maggior parte dei venture capitalist, compresi quelli che investono in startup SaaS, non sapeva nemmeno cosa fosse il deep learning cinque anni fa. Oggi, gli investitori "diffidano delle startup che non ce l'hanno", afferma Chen.

Allo stesso modo, dovresti diffidare delle cartelle cliniche elettroniche che non creano e archiviano il tipo di dati ben strutturati che funzionano con i modelli di deep learning. Potresti anche cercare un EHR che abbia integrato l'IA nella sua funzionalità di documentazione clinica, ad esempio Epic in collaborazione con Nuance.

Tuttavia, la maggior parte dei sistemi EHR non avrà l'intelligenza artificiale incorporata per un po', secondo Anil Jain, MD, FACP e vicepresidente e responsabile dell'informatica sanitaria per IBM Watson Health. L'opzione in questi casi è integrare la funzionalità AI nella tua cartella clinica elettronica esistente. D'ora in poi, la maggior parte dei sistemi sanitari dovrà sviluppare e implementare l'IA come funzionalità aggiuntiva.

Questo è ciò che ha fatto Intermountain Healthcare con la sua EHR, costruendo più di 150 protocolli in Cerner. Con ogni protocollo, Cerner genera un avviso quando riceve informazioni sul paziente che indicano una determinata condizione medica e quindi guida i medici attraverso ulteriori esami suggeriti e potenziali trattamenti.

La costruzione di questi protocolli richiedeva 12 medici, infermieri ed esperti di analisi e richiedeva più di un anno. Ma, grazie alla collaborazione con Intermountain, possono essere costruiti in 10 giorni senza il lavoro umano.

Quando parli con i venditori di software, sia che tu stia cercando un software EHR o un software di gestione dello studio medico, è importante sapere quali domande porre.

Prendi spunto dal partner VC Chen e fai domande come:

• "Dov'è la tua versione di elaborazione in linguaggio naturale?"
• "Come faccio a parlare con la tua app in modo da non dover fare clic sui menu?"

Prossimi passi

Attualmente, grandi centri di ricerca e sistemi sanitari stanno sviluppando modelli di deep learning in grado di prevedere e prevenire malattie e ricoveri e scoprire quali geni sono associati a malattie e disturbi futuri.

Quando confronti il ​​software EHR, chiedi ai fornitori nella tua lista di eventuali funzionalità di intelligenza artificiale o integrazioni che offrono. Ad esempio, i dati sono archiviati in un blocco di testo o sono più strutturati?

Idealmente, dovresti scegliere un EHR con funzionalità di intelligenza artificiale integrate o uno che può integrarsi con un modello di deep learning.