Intelligenza Artificiale e medicina predittiva: dal calcolo del rischio da Covid-19 all’oncologia, tutti i vantaggi del Machine Learning

L’Intelligenza Artificiale spinge verso la medicina predittiva, con progetti, come AI-SCoRE dell’IRCCS Ospedale San Raffaele Milano che, dal calcolo del rischio da Covid-19, apre a scenari futuri, tra cui la definizione dei parametri più predittivi del decorso delle patologie oncologiche e lo studio di altre forme epidemiche.

La medicina predittiva inizia a diventare realtà grazie all’Intelligenza Artificiale che permette, attraverso l’elaborazione di enormi quantità di dati, di individuare correlazioni non percepibili dal cervello umano. Nei mesi scorsi, in piena pandemia, questa potenza di analisi e di calcolo è stata applicata, in particolare, in ambito medico per la ricerca di soluzioni anti-Coronavirus.

Un esempio di medicina predittiva con l’applicazione delle più avanzate tecnologie di AI – Artificial Intelligence è dato da un progetto tutto italiano, che ha l’obiettivo di riconoscere, tra i pazienti che presentano i primi sintomi da Covid-19, coloro che svilupperanno la forma più grave della patologia, per mezzo di un algoritmo di Intelligenza Artificiale capace di analizzare e correlare tra loro parametri clinici, immagini diagnostiche e profili genetici dei pazienti.

Stiamo parlando di AI-SCoRE – Artificial Intelligence-Sars Covid Risk Evaluation, progetto ideato dai professori Carlo Tacchetti e Antonio Esposito, rispettivamente direttore e vice-direttore del Centro di Imaging Sperimentaledell’IRCCS Ospedale San Raffaele Milano, e sviluppato in collaborazione con Microsoft e NVIDIA, il Centro di Omics Sciences dell’IRCCS Ospedale San Raffaele e con il supporto di Orobix e Porini e finanziato dalla Regione Lombardia.

Insieme al professor Carlo Tacchetti, ricercatore, coordinatore del progetto, nonché oncologo e docente di Anatomia Umana presso la Facoltà di Medicina e Chirurgia dell’Università Vita-Salute San Raffaele di Milano, approfondiamo alcuni aspetti dello studio, analizzandone le possibili proiezioni future e l’impatto sul trattamento di altre patologie e nell’ambito della medicina predittiva.

Professore, da quale intuizione nasce l’idea che condurrà al progetto di Intelligenza Artificiale per il calcolo del rischio da Covid-19?

Fin da subito, ci siamo trovati di fronte a una situazione totalmente sconosciuta, a una patologia dall’evoluzione imprevedibile, di cui abbiamo appreso le caratteristiche sul campo, giorno dopo giorno, assistendo a forme lievi e a forme più gravi, al passaggio, nello stesso paziente, da una sintomatologia blanda a una grave insufficienza respiratoria. Il virus si è presentato come una polmonite, ma poi abbiamo scoperto che non colpisce solo i polmoni, bensì anche altri organi. E che può portare a forme diffuse di trombosi a livello polmonare. Man mano, abbiamo raccolto tutta una serie di dati e di parametri clinici che, col passare del tempo, andavano sempre più aumentando e stratificandosi. Una mole enorme di informazioni, insomma. Che, se confrontate tra loro, ci avrebbero permesso di identificare dei “valori standard” e di poter stabilire, nel momento in cui il paziente si presentava in ospedale, se avrebbe sviluppato una forma gravissima, una forma grave oppure una forma lieve di Covid-19 e, di conseguenza, programmare un’assistenza domiciliare, un’ospedalizzazione oppure il ricovero in terapia intensiva. Questo “schema” ci è parso chiaro fin dall’inizio.

Dalla raccolta dati dei pazienti colpiti da Coronavirus alla loro analisi e correlazione: quale metodo e quali strumenti hanno reso possibile il passaggio?

I dati che, in quel momento, avevamo a disposizione a livello mondiale, proprio perché tutti acquisiti in fase emergenziale, non erano standardizzati. E questo ne impediva il confronto con altri dati, rendendo così molto complicata l’analisi di tutto il materiale che avevamo raccolto. Dunque, ci mancava il confronto. Poi, ciascun dato, ciascun parametro, era influenzato da altri parametri. Ad esempio, i soggetti diabetici e ipertesi sono quelli più a rischio Covid. Ma l’ipertensione presenta parametri, a loro volta influenzati da altri parametri ancora. Inoltre, a questa mole di dati clinici, si aggiungevano i dati relativi alle immagini diagnostiche, che io e il mio collega Antonio Esposito, vice-direttore del Centro di Imaging Sperimentale, abbiamo analizzato e studiato fin dai primi giorni dell’emergenza, rendendoci subito conto, ad esempio, che la TAC toracica è più predittiva del tampone nella diagnosi da Covid. Infatti, dai due ai quattro soggetti su dieci risultati tampone negativi, erano invece positivi alla TAC. A quel punto, la rete di dati da analizzare e da correlare tra loro era diventata talmente vasta e complessa, che abbiamo avuto bisogno dell’aiuto di una potenza di calcolo. E, più in particolare, di una potenza di calcolo che non si limitasse a restituirci dati bio-statistici.

Quali obiettivi vi hanno guidato nella scelta della potenza di calcolo più idonea?

Necessitavamo di uno “strumento” che fosse in grado di analizzare numerose tipologie di dati e di correlarli tra loro, non solo a coppie o a piccoli gruppi, ma a centinaia, tenendo conto di tutte le possibili interazioni tra loro. La nostra esigenza era individuare, già in fase iniziale della malattia, quei parametri anamnestici, clinici e di imaging di un paziente Covid-19, correlabili a un indice prognostico. Dove, per “indice prognostico”, intendo il poter stabilire, nel momento in cui il paziente si presenta in ospedale con i primi sintomi, quale sarà il suo decorso. E, da qui, programmare risorse, interventi sanitari mirati e tempestivi e terapie, riducendo così l’impatto sul sistema sanitario.

Intelligenza Artificiale e, più nello specifico, Machine Learning: come vi hanno aiutato?

Abbiamo individuato circa cento parametri, in parte derivanti dalla nostra esperienza e in parte dalla letteratura e, in collaborazione con Microsoft e NVIDIA, abbiamo deciso di definire un algoritmo di Machine Learning che consentisse, tra tutti questi parametri, di identificare quali fossero i più predittivi del decorso della patologia. Tra i parametri individuati, la maggior parte sono relativi alle immagini diagnostiche, in quanto queste hanno la possibilità di misurare non solo i valori del polmone, ma anche valori in merito ad alterazioni cardio-vascolari, risultate fondamentali nel comprendere l’evoluzione dell’infezione da Coronavirus. Tra i parametri, inoltre, abbiano inserito anche il profilo genomico dei pazienti, perché pensiamo possa esserci una predisposizione genetica, da parte di taluni soggetti, a sviluppare malattie che, in qualche modo, si correlano a un rischio maggiore di patologia grave. Individuati i parametri e definito il lavoro dell’algoritmo, abbiamo poi raccolto – nel totale rispetto della privacy e in modo del tutto anonimo – dati da circa duemila pazienti, reclutati tra l’Ospedale San Raffaele, l’Ospedale Bolognini di Seriate e il Centro Cardiologico Monzino, con i quali ci siamo consorziati.

Guardiamo al futuro: quali scenari apre nell’ambito della medicina predittiva il progetto per il calcolo del rischio da Coronavirus?

Il nostro sogno è quello di poter spingere oltre le potenzialità del progetto AI-SCoRE, sviluppando algoritmi trasversali di Intelligenza Artificiale, in grado di individuare i soggetti maggiormente a rischio Covid-19 nella popolazione generale, non solo, quindi, nei soggetti che manifestano i primi sintomi.

Sarà possibile applicare i contenuti del progetto AI-SCoRE nell’ambito dello studio di altre patologie e della medicina predittiva?

Credo che lo schema, la metodologia del progetto AI-SCoRE, potranno essere utilizzati per sviluppare altri progetti di medicina predittiva. Come oncologo che si occupa di tumore al seno, immagino che, se si potesse avere a disposizione uno strumento di questo tipo, in grado di identificare – una volta inseriti tutti i dati, che andranno individuati mediante appositi studi – i parametri più predittivi del decorso della patologia di una determinata paziente, si potrebbe mettere a punto la terapia a lei più adatta. Insomma, la capacità di correlare i dati del singolo paziente al contesto anamnestico, genomico e ad altri ancora, potrebbe portarci, un giorno, a stabilire che, ad esempio, un certo paziente oncologico, il quale presenta specifici parametri, risponde bene a una terapia e meno bene a un’altra. Questo è uno scenario possibile, in cui la potenza del Machine Learning avrà un ruolo chiave. Naturalmente, andranno prima risolti i problemi legati alla privacy dei pazienti e alla riservatezza dei dati.

Professore, per concludere, qual è il valore di AI-SCoRE rispetto ad altri progetti, nel mondo, di diagnosi rapida del Covid-19?

Il suo valore è dato dalla scelta dei parametri che abbiamo deciso di analizzare e di correlare tra loro. Non tre o quattro parametri clinici, ma parametri quasi omnicomprensivi. Per questo, come ho già detto, riteniamo che lo schema di tale progetto, la sua metodologia, possano essere applicati allo studio di altre patologie e di altre eventuali forme epidemiche.

Default image
Paola Cozzi
Giornalista dal solido background acquisito lavorando presso i più prestigiosi Editori italiani | Ventidue anni di esperienza nello sviluppo di prodotti editoriali b2b, cartacei e digitali | Vent'anni alla direzione di una testata b2b in tema di Sicurezza anticrimine di tipo fisico | Attualmente si dedica al Giornalismo Digitale ed esplora nuove tecniche e nuovi stili di comunicazione

Newsletter Updates

Enter your email address below to subscribe to our newsletter