Le applicazioni del Machine Learning nei settori medico e farmaceutico

L’apprendimento automatico e il suo valore nell’ambito sanitario

ll Machine Learning (ML) è l’insegnamento di azioni e attività ai computer e a robot che ha come obiettivo l’apprendimento automatico. Si entra in questo modo in possesso di una grande mole di dati grazie ai quali il settore sanitario riesce ad arrivare a risultati migliori in termini di prestazioni ed efficienza.

Questi big data potrebbero creare, secondo la società di consulenza McKinsey&Company, un valore che tocca i 100 miliardi di dollari all’anno nei settori medico e farmaceutico

Sono diversi gli ambiti di applicazione del Machine Learning nel settore sanitario: eccone una presentazione che elenca le principali caratteristiche di ognuno.

1. Diagnosi della malattia

La prima applicazione del Machine Learning riguarda la diagnosi delle malattie e l’individuazione delle cure. Secondo una ricerca del 2015 resa pubblica dalla Pharmaceutical Research and Manufacturers of America, un numero superiore agli 800 farmaci utili alla cura del cancro sono stati messi sotto processo.

Questo dato rappresenta il bisogno di escogitare nuovi metodi di diagnosi e cura delle malattie, un processo che molte organizzazioni hanno già iniziato, come ad esempio:

• IBM Watson Health in cooperazione con Quest Diagnostic nel 2016 ha avviato un’iniziativa con l’obiettivo di avanzare metodologie usando il calcolo cognitivo.
• L’azienda Berg con base a Boston, che lavora nell’ambito della biofarmaceutica, sta utilizzando il Machine Language e l’intelligenza artificiale per migliorare i servizi di diagnosi e di terapia in diversi settori medici, tra cui l’oncologia.
• DeepMind Health di Google, che prevede collaborazioni con il Regno Unito al fine di individuare strumenti contro la degenerazione maculare.
• Nell’ambito delle malattie cerebrali come la depressione, il progetto P1vital dell’Università di Oxford di Previsione della risposta al trattamento di depressione (PReDicT) sta usando l’analisi predittiva per aiutare a diagnosticare e fornire cure, con l’obiettivo generale di produrre una batteria di test emotivi disponibile in commercio per l’uso in impostazioni cliniche.

2. Medicina personalizzata

L’obiettivo è quello di centrare i problemi di salute degli utenti per risolverli nella maniera più adatta per ciascuna persona, misurando i rischi che variano da caso a caso.

Individuazione di terapie e trattamenti su misura per il paziente

La personalizzazione dei trattamenti è importante per il settore in quanto porta ad una diminuzione dei costi totali dei servizi, dato che ciascun cliente aderirà al piano per lui individuato e prescritto.

IBM Watson Oncology è un’organizzazione che si occupa di orientare al cambiamento delle decisioni sulle terapie, attraverso l’uso di dati dei pazienti e informazioni mediche. Questi dati nel prossimo futuro rappresenteranno la fonte primaria di creazione di trattamenti personalizzati sofisticati e all’avanguardia.

Questa trasformazione riguarda anche molte aziende che si occupano di fornire soluzioni ai vari problemi di salute: è il caso di Somatix, che offre tecnologie per l’analisi dei dati per la migliore comprensione dei comportamenti con lo scopo di far smettere di fumare agli individui, e di SkinVision, che si occupa invece di prevenzione del melanoma cutaneo e invia immagini scattate dalla fotocamera del telefono cellulare a dermatologi specializzati in attesa di una loro analisi.

3. Produzione di farmaci

Il ML ha un’utilità molto importante per quanto riguarda l’individuazione di nuovi farmaci, partendo dallo studio della composizione arrivando fino a prevederne gli effetti.

La Royal Society con base in UK afferma che il Machine Learning è una soluzione ottima anche nella produzione di farmaci attraverso metodologie biologiche: in questo modo le case farmaceutiche vengono aiutante in maniera importante nel processo di produzione dei farmaci soprattutto per quanto riguarda le tempistiche e l’abbassamento dei costi di produzione.

Per quanto riguarda questa applicazione, la categoria oggetto di studio è la medicina di precisione che trova il suo attore principale nel MIT Clinical Machine Learning Group, che utilizza algoritmi per individuare le vie migliori per la produzione di farmaci e cure specialmente riferiti al diabete.

Un’ulteriore esemplificazione è data dal progetto Hannover di Microsoft che usa il Machine Learning in diversi casi, specialmente in tecnologie per le terapie volte alla cura del cancro e più in particolare all’individuazione di trattamenti personalizzati riguardo la leucemia mieloide acuta.

4. Svolgimento dei test clinici

L’applicazione del machine learning trova terreno fertile anche nell’ambito della ricerca sui test clinici. In particolare, attraverso esso è possibile individuare potenziali sperimentatori tra i pazienti interessati ad un trattamento sanitario, potendo contare su un numero maggiori di dati e informazioni relativi a questi utenti grazie all’analisi predittiva.

Ma il ML può anche essere usato per monitorare i dati in remoto e accedere ad essi in tempo reale per garantire una certa sicurezza nel trattamento, oltre che per moltissimi altri aspetti, come sottolinea sempre McKinsey&Company.

5. Radioterapia e radiologia

Il Dottor Ziad Obermeyer della Harvard Medical School in una intervista del 2016 ha affermato che nel prossimo futuro i radiologi saranno sostituiti da cyborg e robot che rimpiazzeranno il lavoro del personale medico in questione. Questa sostituzione garantirà un trattamento dei dati più veloce ed efficiente grazie all’utilizzo di algoritmi.

Dalla collaborazione tra DeepMind Health di Google e la University College London Hospital stanno nascendo i primi tentativi di sviluppo di questi algoritmi, le cui funzionalità permettono di scegliere con maggior cura i trattamenti radioterapici grazie allo studio dei tessuti colpiti da cellule cancerogene.

6. Raccolta elettronica dei dati

Un’altra funzionalità del Machine Learning è quella della raccolta elettronica di dati, tramite supporti che rilevano i caratteri e macchinari che utilizzano il vettoriale. È il caso di strumenti come l’API di Google Cloud Vision e di MATLAB, che riconoscono la grafia e le parole scritte.

Un esempio della messa in pratica di questi elementi è dato ancora dal MIT Clinical Machine Learning Group che attraverso l’uso del ML sta creando delle cartelle cliniche digitali dei pazienti che raccolgono informazioni personali e dati diagnostici.

7. Previsione delle epidemie

Il Machine Learning può essere utilizzato anche per la previsione delle epidemie in tutte le aree del mondo, tramite la raccolta dei dati disponibili tramite la rilevazione satellitare e di moltre altre risorse.

Già diversi strumenti di previsione sono stati utilizzati per monitorare ad esempio i casi di malaria, attraverso la raccolta di dati riguardanti temperature, aspetti meteorologici, casi di contagio.

La previsione di epidemia potrebbe essere di vitale importanza specialmente per i paesi del terzo mondo dove l’assistenza sanitaria non è ancora ottimale ed efficiente in quanto mancano strutture e risorse.

Esiste un programma che offre una lettura della situazione delle malattie, ovvero Pro-MED, che monitora in tempo reale l’andamento delle epidemie: questo software viene utilizzato da HealthMap per elaborare dati sullo stesso argomento.

Gli ostacoli alle applicazioni

L’applicazione del ML trova diversi ostacoli nei settori medico e farmaceutico che purtroppo non ne permettono l’esecuzione. Si tratta di sfide da vincere per poter godere delle potenzialità del Machine Learning in maniera completa, che sono:

• La difficoltà di accesso dei dati medici, ancora troppo “privati” e utilizzabili con difficoltà per gli studi. Ancora troppi pochi pazienti acconsentono l’utilizzo delle informazioni che li riguardano, preoccupati del problema della privacy. Secondo una ricerca del 2016 della Wellcome Foundation in UK, però, solamente il 17% del campione non sarebbe d’accordo nel mettere a disposizione i suoi dati (in anonimo) per la ricerca;
• Il bisogno di algoritmi maggiormente visibili e cristallini, per poter rispettare i regolamenti del settore farmaceutico;
• Una necessità importante è rappresentata dal bisogno di professionisti del settore che vadano a creare un team di collaborazione con competenze diverse e complementari;
• Sostituire i data silos puntando sulla condivisione di dati al fine di migliorare le ricerche, importanti in qualsiasi settore
• La richiesta di rendere meno complessi i record elettronici troppo complicati e poco ordinati a causa dell’utilizzo dei database.