Curarsi con i robot: luci e ombre dell’intelligenza artificiale in sanità
Di NS
Dalle gastroenterologie di Belluno al Gemelli di Roma, prendono sempre più piede gli algoritmi e i metodi diagnostici basati sui big data. I progressi sono stupefacenti, ma non mancano i rischi
di Ulisse Spinnato Vega
Un robot non potrà mai sostituire il medico o l’infermiere in carne e ossa, perché la relazione umana tra il sanitario e il suo paziente è qualcosa che va al di là delle pur imprescindibili competenze tecniche. Eppure gli algoritmi e l’intelligenza artificiale (Ai) stanno allargando la loro sfera di azione pure nel settore della salute, con applicazioni terapeutiche stupefacenti e impensabili anche fino a pochi anni fa.
L’ultima frontiera è quella della cura di malattie cerebrali come il morbo di Parkinson, l’ictus o la sclerosi multipla. Il progetto “Alameda”, finanziato fino a dicembre 2023 dalla Commissione Ue tramite il programma Horizon 2020, punta a ridurre i costi e a migliorare l’efficacia dei trattamenti attraverso l’impiego dei big data e dell’Ai. I nuovi metodi di analisi dei dati e machine learning consentono in sostanza di predire possibili peggioramenti del quadro clinico del paziente e di tarare così o modificare gli approcci terapeutici in maniera tempestiva, rallentando il decorso della malattia.
I settori medici in cui oggi sono più diffusi gli strumenti legati all’intelligenza artificiale spaziano dalla gastroenterologia alla ginecologia oncologica, dalla senologia all’infettivologia, dall’ematologia fino all’oftalmologia e alla radiologia. Gli ospedali di Belluno e Feltre, per fare un esempio, si sono appena dotati di due sistemi di Ai per identificare e caratterizzare le lesioni del colon, accrescendo in modo rilevante la capacità di diagnosi anche su piccole occorrenze neoplastiche o polipoidi che non sempre vengono rilevate dagli esami tradizionali.
Nel caso del tumore al seno, il machine learning e la radiomica (l'analisi delle immagini mediche tramite computer, ndr) rendono la diagnosi molto più precisa e il lavoro di data analysis consente di mettere a punto un trattamento che arriva ad avere fino a 20mila variabili: una precisione clinica impossibile con la diagnostica tradizionale. Stesso discorso per le terapie intensive: ogni paziente ricoverato in rianimazione e sottoposto a ventilazione meccanica “produce” 236 variabili di cui il medico deve tenere conto e che vanno moltiplicate per il numero di posti letto occupati. Un lavoro di estrema complessità su cui il machine learning ha un impatto decisivo. Ma l’ultima frontiera della digital health non sta crescendo di importanza soltanto nelle diagnosi: al Gemelli di Roma da pochi mesi ha debuttato Eric, un bot basato su intelligenza artificiale conversazionale che dialoga con i pazienti in attesa di un esame endoscopico e fornisce suggerimenti su come prepararsi al meglio all’esame.
Gli esempi di applicazioni nella pratica clinica potrebbero continuare e la riduzione dei costi può essere davvero rilevante, ma il digitale in sanità non promette necessariamente magnifiche sorti e progressive. Big data e macchine di analisi comportano seri rischi di carattere etico, metodologico e scientifico, se non ben utilizzati. Intanto è necessaria una rigorosa validazione dei sistemi di Ai: non è sempre facile, infatti, identificare tempestivamente errori o problemi di un risultato generato dal “processo decisionale” di un algoritmo. Inoltre, va disciplinata la responsabilità nei rapporti tra produttore/fornitore e operatore/utilizzatore. Le variabili nella programmazione dei software possono poi portare a meccanismi di discriminazione (anche in fase “predittiva”) dei pazienti, oltre al pericolo di violazione della privacy e utilizzo improprio dei dati personali sensibili.
Dunque, c’è un rischio potenziale in termini di trasparenza (la cosiddetta black box dell’algoritmo) circa la risultanza diagnostica, rischio che diventa pure un freno nell’adozione dei sistemi di machine learning da parte degli operatori sanitari; questi ultimi, infatti, hanno comunque la responsabilità del trattamento clinico-terapeutico e vivono una paura crescente di liti e contenziosi generati dalle macchine. Inoltre, pesa ancora in modo decisivo il nodo della scarsa interoperabilità e condivisione dei dati tra strutture o tra fornitori. Infine, i robot potrebbero essere visti come una scorciatoia al problema della crescente carenza di professionisti della salute (medici, infermieri, ostetriche). Secondo l’Oms, in tutta la Ue ne mancheranno 4,1 milioni entro il 2030; un deficit sentitissimo anche in Italia, cui l’intelligenza artificiale non può certo sopperire.
Gli scenari sono comunque di impatto talmente alto che pure il ministero della Salute ha preso posizione attraverso un recente documento del Consiglio superiore di sanità. Il paper evidenzia come in breve tempo il machine learning controllerà le grandi apparecchiature di diagnostica per immagini, omogeneizzando i protocolli di acquisizione e abbattendo drasticamente sia i tempi di ottenimento degli esami sia l’elaborazione di una diagnosi. Ma al tempo stesso il Css sottolinea l’importanza di un utilizzo dell’Ai che sia sicuro, riproducibile, eticamente corretto. E considera i nodi giuridici connessi alla responsabilità legale del professionista che interagisce con gli algoritmi.
Tutto questo comporterà, infine, un inevitabile e ciclopico impegno sugli investimenti in formazione e riqualificazione del personale sanitario, sforzo cui il Pnrr ottempera solo in parte e che comunque necessita di uno strumento chiave: il nuovo contratto del comparto. Ecco perché diventa sempre più strategico accelerare la sua approvazione definitiva.