Frontiere in Medicina

Introduzione

L’espressione “Tecnologia Medica” è ampiamente utilizzata per affrontare una serie di strumenti che possono consentire ai professionisti della salute di fornire ai pazienti e alla società una migliore qualità della vita eseguendo diagnosi precoci, riducendo le complicazioni, ottimizzando il trattamento e/o fornendo opzioni meno invasive, e riducendo la durata del ricovero. Mentre, prima dell’era mobile, le tecnologie mediche erano principalmente conosciute come dispositivi medici classici (ad esempio, protesi, stent, impianti), l’emergere di smartphone, wearables, sensori e sistemi di comunicazione ha rivoluzionato la medicina con la capacità di contenere strumenti alimentati dall’intelligenza artificiale (AI) (come le applicazioni) in dimensioni molto piccole (1). L’IA ha rivoluzionato le tecnologie mediche e può essere comunemente intesa come la parte dell’informatica che è in grado di affrontare problemi complessi con molte applicazioni in aree con enormi quantità di dati ma poca teoria (2).

Le tecnologie mediche intelligenti (cioè, AI-powered) sono state accolte con entusiasmo dalla popolazione generale in parte perché consente un modello di medicina 4P (predittiva, preventiva, personalizzata e partecipativa) e quindi l’autonomia del paziente, in modi che non potrebbe essere possibile (3); gli smartphone stanno diventando per esempio il go-to item per compilare e distribuire una cartella clinica elettronica personale (4), monitorare le funzioni vitali con biosensori (5) e aiutare a raggiungere la conformità terapeutica ottimale (6), quindi dando al paziente il posto come attore principale nel percorso di cura. Lo sviluppo di tecnologie mediche intelligenti sta permettendo lo sviluppo di un nuovo campo della medicina: la medicina aumentata, cioè l’uso di nuove tecnologie mediche per migliorare diversi aspetti della pratica clinica. Diversi algoritmi basati sull’AI sono stati approvati nell’ultimo decennio dalla Food and Drug Administration (FDA) e potrebbero quindi essere implementati. La medicina aumentata non è solo abilitata dalle tecnologie basate sull’IA, ma anche da diversi altri strumenti digitali, come i sistemi di navigazione chirurgica per la chirurgia assistita dal computer (7), gli strumenti di realtà virtuale per la chirurgia, la gestione del dolore e i disturbi psichiatrici (8-10).

Anche se il campo della medicina aumentata sembra incontrare il successo dei pazienti, può incontrare una certa resistenza da parte degli operatori sanitari, in particolare i medici: riguardo a questo fenomeno, si dovrebbero fornire quattro ragioni ampiamente discusse. In primo luogo, l’impreparazione rispetto al potenziale della medicina digitale è dovuta all’evidente mancanza di formazione di base e continua su questa disciplina (11). In secondo luogo, la digitalizzazione precoce dei processi sanitari, molto diversa dalla promessa della medicina aumentata, è venuta con un forte aumento del carico amministrativo legato principalmente alle cartelle cliniche elettroniche (12), che è diventato noto come una delle componenti principali del burnout dei medici (13). In terzo luogo, c’è sempre più paura del rischio che l’IA sostituisca i medici (14), anche se l’opinione corrente e dominante nella letteratura è che l’IA completerà l’intelligenza dei medici in futuro (15, 16). In quarto luogo, l’attuale mancanza a livello mondiale di un quadro giuridico che definisca il concetto di responsabilità in caso di adozione o rifiuto delle raccomandazioni dell’algoritmo lascia il medico esposto a potenziali esiti legali quando si utilizza l’IA (17).

Per quanto riguarda la mancanza di istruzione nella medicina digitale, diverse scuole mediche private stanno preparando i loro futuri leader medici alla sfida della medicina aumentata associando il curriculum medico al curriculum di ingegneria o implementando l’alfabetizzazione e l’uso della salute digitale in un curriculum aggiornato (18).

Lo scopo di questo articolo è quello di riassumere i recenti sviluppi dell’IA in medicina, fornire i principali casi d’uso in cui le tecnologie mediche alimentate dall’IA possono già essere utilizzate nella pratica clinica, e le prospettive sulle sfide e i rischi che gli operatori sanitari e le istituzioni devono affrontare mentre implementano la medicina aumentata, sia nella pratica clinica che nella formazione dei futuri leader medici.

Applicazioni attuali dell’intelligenza artificiale in medicina

2.1. Cardiologia

2.1.1. Fibrillazione atriale

La rilevazione precoce della fibrillazione atriale è stata una delle prime applicazioni dell’IA in medicina. AliveCor ha ricevuto l’approvazione della FDA nel 2014 per la loro applicazione mobile Kardia che permette un monitoraggio ECG basato su smartphone e la rilevazione della fibrillazione atriale. Il recente studio REHEARSE-AF (19) ha dimostrato che il monitoraggio ECG remoto con Kardia in pazienti ambulatoriali ha più probabilità di identificare la fibrillazione atriale rispetto alle cure di routine. Apple ha anche ottenuto l’approvazione della FDA per il suo Apple Watch 4 che permette una facile acquisizione dell’ECG e il rilevamento della fibrillazione atriale che può essere condiviso con il medico di fiducia attraverso uno smartphone (20). Sono state affrontate diverse critiche alle tecnologie ECG indossabili e portatili (21), evidenziando le limitazioni al loro utilizzo, come il tasso di falsi positivi originati da artefatti da movimento, e le barriere nell’adozione della tecnologia indossabile nei pazienti anziani che hanno maggiori probabilità di soffrire di fibrillazione atriale.

2.1.2. Rischio cardiovascolare

Applicata alle cartelle elettroniche dei pazienti, l’IA è stata utilizzata per prevedere il rischio di malattie cardiovascolari, per esempio la sindrome coronarica acuta (22) e l’insufficienza cardiaca (23) meglio delle scale tradizionali. Recenti revisioni complete (24) hanno tuttavia riportato come i risultati possano variare a seconda della dimensione del campione utilizzato nel rapporto di ricerca.

2.2. Medicina polmonare

L’interpretazione dei test di funzionalità polmonare è stata segnalata come un campo promettente per lo sviluppo di applicazioni AI in medicina polmonare. Uno studio recente (25) ha riportato come il software basato sull’IA fornisce un’interpretazione più accurata e serve come strumento di supporto decisionale nel caso dell’interpretazione dei risultati dei test di funzionalità polmonare. Lo studio ha ricevuto diverse critiche, una delle quali (26) ha riportato come il tasso di diagnosi accurate negli pneumologi che hanno partecipato allo studio era notevolmente inferiore alla media del paese.

2.3. Endocrinologia

Il monitoraggio continuo del glucosio consente ai pazienti con diabete di visualizzare in tempo reale le letture del glucosio interstiziale e fornisce informazioni sulla direzione e sul tasso di cambiamento dei livelli di glucosio nel sangue (27) Medtronic ha ricevuto l’approvazione della FDA per il loro sistema Guardian per il monitoraggio del glucosio, che è abbinato a uno smartphone (28). Nel 2018, l’azienda ha collaborato con Watson (AI sviluppata da IBM) per il loro sistema Sugar.IQ per aiutare i loro clienti a prevenire meglio gli episodi ipoglicemici basati sulla misurazione ripetuta. Il monitoraggio continuo della glicemia può consentire ai pazienti di ottimizzare il loro controllo della glicemia e ridurre lo stigma associato agli episodi ipoglicemici; tuttavia, uno studio incentrato sull’esperienza dei pazienti con il monitoraggio del glucosio ha riportato che i partecipanti, pur esprimendo fiducia nelle notifiche, hanno anche dichiarato sentimenti di fallimento personale per regolare il livello di glucosio (27).

2.4. Nefrologia

L’intelligenza artificiale è stata applicata in diversi ambiti della nefrologia clinica. Per esempio, si è dimostrata utile per la previsione del declino della velocità di filtrazione glomerulare in pazienti con malattia renale policistica (29), e per stabilire il rischio di nefropatia IgA progressiva (30). Tuttavia, una recente revisione riporta come in questo momento la ricerca sia limitata dalla dimensione del campione necessaria per l’inferenza (31).

2.5. Gastroenterologia

La specialità della gastroenterologia beneficia di una vasta gamma di applicazioni di IA in ambito clinico. I gastroenterologi hanno fatto uso di reti neurali convoluzionali tra altri modelli di apprendimento profondo per elaborare immagini dall’endoscopia e dall’ecografia (32) e rilevare strutture anormali come i polipi del colon (33). Le reti neurali artificiali sono state utilizzate anche per diagnosticare la malattia da reflusso gastroesofageo (34) e la gastrite atrofica (35), così come per prevedere i risultati nelle emorragie gastrointestinali (36), la sopravvivenza del cancro esofageo (37), la malattia infiammatoria intestinale (38) e le metastasi nel cancro colorettale (39) e il carcinoma a cellule squamose esofageo (40).

2.6. Neurologia

2.6.1. Epilessia

I dispositivi intelligenti per il rilevamento delle crisi sono tecnologie promettenti che hanno il potenziale di migliorare la gestione delle crisi attraverso un monitoraggio ambulatoriale permanente. Empatica ha ricevuto l’approvazione della FDA nel 2018 per il loro indossabile Embrace, che associato a captatori elettrodermici può rilevare le crisi epilettiche generalizzate e riferire a un’applicazione mobile che è in grado di avvisare i parenti stretti e il medico di fiducia con informazioni complementari sulla localizzazione del paziente (41). Un rapporto incentrato sull’esperienza dei pazienti ha rivelato che, a differenza degli indossabili per il monitoraggio del cuore, i pazienti che soffrono di epilessia non hanno avuto barriere nell’adozione dei dispositivi di rilevamento delle crisi e hanno riportato un alto interesse nell’uso degli indossabili (42).

2.6.2. Valutazione di andatura, postura e tremore

I sensori indossabili si sono dimostrati utili per valutare quantitativamente andatura, postura e tremore in pazienti con sclerosi multipla, malattia di Parkinson, parkinsonismo e malattia di Huntington (43).

2.7. Diagnosi computazionale del cancro in istopatologia

Paige.ai ha ricevuto lo status di innovazione dalla FDA per un algoritmo basato su AI che è in grado di diagnosticare il cancro in istopatologia computazionale con grande precisione, permettendo al patologo di guadagnare tempo per concentrarsi su diapositive importanti (44).

2.8. Medical Imaging and Validation of AI-Based Technologies

Una meta-analisi a lungo attesa ha confrontato le prestazioni dei software di deep learning e dei radiologi nel campo della diagnosi basata sulle immagini (45): anche se il deep learning sembra essere efficiente come il radiologo per la diagnosi, gli autori hanno sottolineato che il 99% degli studi non sono risultati avere un design affidabile; inoltre, solo un millesimo dei lavori che sono stati esaminati ha convalidato i loro risultati facendo diagnosticare agli algoritmi le immagini mediche provenienti da altre popolazioni di origine. Questi risultati supportano la necessità di un’ampia convalida delle tecnologie basate sull’IA attraverso rigorosi studi clinici (5).

Discussione: Sfide e direzioni future dell’intelligenza artificiale in medicina

3.1. Convalida delle tecnologie basate sull’intelligenza artificiale: Verso una crisi di replicazione?

Una delle sfide principali dell’applicazione dell’IA in medicina nei prossimi anni sarà la validazione clinica dei concetti e degli strumenti di base recentemente sviluppati. Anche se molti studi hanno già introdotto l’utilità dell’IA con chiare opportunità basate su risultati promettenti, diverse limitazioni ben riconosciute e frequentemente segnalate degli studi sull’IA rischiano di complicare tale convalida. Con la presente tratteremo tre di queste limitazioni, oltre a fornire possibili modi per superarle.

In primo luogo, la maggior parte degli studi che confrontano l’efficienza dell’IA rispetto ai clinici sono risultati avere un design inaffidabile e noto per la mancanza di replicazione primaria, cioè la convalida degli algoritmi sviluppati in campioni provenienti da altre fonti rispetto a quello utilizzato per addestrare gli algoritmi (45). Questa difficoltà potrebbe essere superata nell’era dell’open science, poiché i dati e i metodi aperti sono destinati a ricevere sempre più attenzione come best practice nella ricerca. Tuttavia, la transizione alla scienza aperta potrebbe rivelarsi difficile per le aziende di IA medica che sviluppano software come core business.

In secondo luogo, gli studi che riportano l’applicazione dell’IA nella pratica clinica sono noti per essere limitati a causa dei disegni retrospettivi e delle dimensioni del campione; tali disegni potenzialmente includono bias di selezione e di spettro, cioè, i modelli sono sviluppati per adattarsi in modo ottimale a un dato set di dati (questo fenomeno è anche noto come overfitting), ma non replicano gli stessi risultati in altri set di dati (32). Una continua rivalutazione e calibrazione dopo l’adozione di algoritmi sospettati di overfitting dovrebbe essere necessaria per adattare il software alla fluttuazione della demografia dei pazienti (46). Inoltre, c’è un crescente consenso sulla necessità di sviluppare algoritmi progettati per adattarsi a comunità più ampie, tenendo conto dei sottogruppi (47).

In terzo luogo, solo pochi studi sono noti per confrontare l’IA e i clinici sulla base degli stessi set di dati; anche in questo scenario, le critiche sono state fatte puntando a un tasso di precisione diagnostica inferiore a quello previsto nei medici specializzati. (26). Opporre AI e clinici è, anche se ben rappresentato nella letteratura scientifica, probabilmente non è il modo migliore per affrontare la questione della performance nelle competenze mediche: diversi studi si stanno avvicinando all’interazione tra clinici e algoritmi (47) come la combinazione di intelligenza umana e artificiale supera l’una o l’altra da sole.

3.2. Implicazioni etiche del monitoraggio in corso

La tecnologia medica è uno dei mercati più promettenti del XXI secolo, con un valore di mercato stimato che si avvicina rapidamente ai mille miliardi di dollari nel 2019. Una percentuale crescente delle entrate è dovuta alla vendita al dettaglio di dispositivi medici (come quelli per il monitoraggio del cuore) a una popolazione più giovane, che non è il profilo primario del consumatore target (perché problemi di salute come la fibrillazione atriale hanno meno probabilità di comparire). A causa di questo fenomeno, l’Internet of Things (IoT) sta ridefinendo il concetto di individuo sano come una combinazione di sé quantificato (indicatori personali codificati nello smartphone o nel wearable) e una serie di parametri forniti dai wearable sullo stile di vita (monitoraggio dell’attività, controllo del peso, ecc.).

Inoltre, negli ultimi due anni diverse aziende di wearable hanno concluso importanti accordi con compagnie di assicurazione o governi per organizzare una distribuzione su larga scala di questi prodotti: questo tipo di iniziative sono principalmente volte a indurre un cambiamento dello stile di vita in grandi popolazioni. Mentre i paesi occidentali continuano ad evolvere verso sistemi sanitari incentrati sulla responsabilità individuale del paziente verso la propria salute e il proprio benessere, le implicazioni etiche del monitoraggio medico continuo con dispositivi medici attraverso l’Internet delle cose sono spesso discusse. Per esempio, il monitoraggio continuo e le violazioni della privacy hanno il potenziale di aumentare lo stigma intorno ai cittadini malati cronici o più svantaggiati (48) e possibilmente penalizzare quei cittadini che non sono in grado di adottare nuovi standard di stile di vita sano, per esempio riducendo l’accesso all’assicurazione sanitaria e alle cure; poco o nessun dibattito è stato focalizzato su queste potenziali e cruciali insidie nella definizione delle politiche sanitarie.

In questo quadro tecno-politico, la questione della protezione e della proprietà dei dati diventa sempre più cruciale, sebbene abbia più di due decenni (49). Diversi atteggiamenti verso la proprietà dei dati sono descritti in letteratura: anche se alcuni lavori sostengono la proprietà comune dei dati dei pazienti per approcci di medicina personalizzata (50, 51), il consenso si sta spostando verso la proprietà del paziente, in quanto ha effetti positivi sul coinvolgimento del paziente così come può migliorare la condivisione delle informazioni se viene sviluppato un accordo sull’uso dei dati tra il paziente e gli operatori sanitari (52).

3.3. La necessità di educare i medici aumentati

Diverse università hanno iniziato a creare nuovi curricula medici, tra cui un medico-ingegnere (18), per rispondere alla necessità di educare i futuri leader medici alle sfide dell’intelligenza artificiale in medicina (53). Tali curricula vedono un approccio più forte alle scienze dure (come la fisica e la matematica), e l’aggiunta di scienze computazionali, codifica, algoritmica e ingegneria meccatronica. Questi “medici aumentati” conterebbero sia su un’esperienza clinica che su una competenza digitale per risolvere i moderni problemi di salute, partecipare alla definizione di strategie digitali per le istituzioni sanitarie, gestire la transizione digitale, educare i pazienti e i pari.

La società così come le istituzioni sanitarie potrebbero beneficiare di questi professionisti come una rete di sicurezza per qualsiasi processo che includa l’IA in medicina, ma anche come un motore di innovazione e ricerca. A parte l’educazione medica di base, c’è la necessità di implementare programmi educativi continui riguardanti la medicina digitale e rivolti ai medici laureati, in modo da consentire la riqualificazione in questo campo in crescita. Nella maggior parte degli ospedali all’avanguardia di tutto il mondo, tali esperti sono incaricati della missione di Chief Medical Information Officer (CMIO).

3.4. La promessa dell’intelligenza clinica ambientale: Evitare la disumanizzazione da parte della tecnologia

Come riportato da diversi studi (12, 13), le cartelle cliniche elettroniche possono essere un importante onere amministrativo e una fonte di burnout, fenomeno sempre più presente nei medici, sia in formazione che formati. Anche se le soluzioni di intelligenza artificiale come il Natural Language Processing stanno diventando sempre più capaci di aiutare il medico a consegnare cartelle cliniche complete, sono necessarie ulteriori soluzioni per risolvere il problema del tempo crescente assegnato alla cura indiretta del paziente.

L’intelligenza clinicambiente (ACI) è intesa come un ambiente digitale sensibile, adattivo e reattivo che circonda il medico e il paziente (54) e capace, per esempio, di analizzare il colloquio e riempire automaticamente le cartelle cliniche elettroniche del paziente. Diversi progetti sono in corso per sviluppare un ACI, che sarebbe un’applicazione cruciale dell’intelligenza artificiale in medicina e molto necessaria per risolvere i problemi moderni con la forza lavoro dei medici.

Una delle grandi barriere all’adozione di tecnologie mediche intelligenti nei medici è la paura di una disumanizzazione della medicina. Ciò è dovuto principalmente al crescente onere amministrativo (12) imposto ai medici. Tuttavia, le moderne tecnologie come l’ACI e l’elaborazione del linguaggio naturale sono destinate a risolvere il problema del carico amministrativo e aiuteranno i medici a concentrarsi maggiormente sul paziente.

3.5. I medici saranno sostituiti dall’intelligenza artificiale?

Come recentemente discusso in letteratura (15, 16) i medici molto probabilmente non saranno sostituiti dall’intelligenza artificiale: le tecnologie mediche intelligenti esistono come supporto al medico per migliorare la gestione del paziente. Come hanno indicato recenti studi (45), tuttavia, si verificano spesso confronti tra soluzioni di intelligenza artificiale e medici, come se le due controparti fossero in competizione. Gli studi futuri dovrebbero concentrarsi sul confronto tra i medici che usano soluzioni di intelligenza artificiale e i medici senza l’aiuto di tali applicazioni, ed estendere tali confronti agli studi clinici traslazionali; solo allora l’intelligenza artificiale sarà accettata come complementare ai medici. Gli operatori sanitari si trovano oggi in una posizione privilegiata, per essere in grado di accogliere l’evoluzione digitale ed essere i principali motori del cambiamento, anche se è necessaria un’importante revisione della formazione medica per fornire ai futuri leader le competenze per farlo.

Conclusione

L’implementazione dell’intelligenza artificiale nella pratica clinica è un’area di sviluppo promettente, che si evolve rapidamente insieme agli altri campi moderni della medicina di precisione, della genomica e del teleconsulto. Mentre il progresso scientifico dovrebbe rimanere rigoroso e trasparente nello sviluppo di nuove soluzioni per migliorare l’assistenza sanitaria moderna, le politiche sanitarie dovrebbero ora concentrarsi su come affrontare le questioni etiche e finanziarie associate a questa pietra miliare dell’evoluzione della medicina.

Contributi degli autori

Tutti gli autori elencati hanno dato un contributo sostanziale, diretto e intellettuale al lavoro e lo hanno approvato per la pubblicazione.

Conflitto di interessi

Gli autori dichiarano che la ricerca è stata condotta in assenza di relazioni commerciali o finanziarie che potrebbero essere interpretate come un potenziale conflitto di interessi.