Limiti e possibilit脿 dell鈥橧A nel mondo della salute: il progetto SPAS
L'applicazione di algoritmi di IA nel mondo della salute presenta sfide e complessit脿 uniche che richiedono una considerazione attenta e l'intervento di gruppi di ricerca specializzati. I dati clinici possono essere estremamente variabili e complessi. Gli algoritmi devono essere in grado di gestire questa diversit脿 e adattarsi a una vasta gamma di scenari clinici.
L鈥檈sperienza, la conoscenza e le necessit脿 del medico vanno integrate in questi algoritmi di IA. Le necessit脿 e le prospettive di tutti gli attori coinvolti in un progetto di ricerca in ambito medicale, dal medico al paziente, dal ricercatore al produttore del servizio, vanno attentamente considerate.
Il progetto SPAS 猫 un esempio emblematico di tali problematiche e necessit脿.
L鈥檈sperienza, la conoscenza e le necessit脿 del medico vanno integrate in questi algoritmi di IA. Le necessit脿 e le prospettive di tutti gli attori coinvolti in un progetto di ricerca in ambito medicale, dal medico al paziente, dal ricercatore al produttore del servizio, vanno attentamente considerate.
Il progetto SPAS 猫 un esempio emblematico di tali problematiche e necessit脿.
I disturbi del sonno sono aumentati notevolmente negli ultimi anni. Un鈥檌ndagine dell鈥橴fficio federale di statistica rileva che il 23% della popolazione, una persona su tre, ha disturbi occasionali del sonno, mentre il 5% ne soffre a livello cronico. Considerato l鈥檌nsieme della popolazione nazionale, sono quindi 300'000 le persone afflitte da questi disturbi.
Gli esperti ne hanno catalogato oltre 80 tipologie differenti, ma quelle principali sono l鈥檌nsonnia (difficolt脿 di addormentamento), l鈥檌personnia (stato di sonnolenza durante la giornata), i disturbi respiratori (ad esempio apnee notturne), le parasonnie (sonnambulismo), il disturbo sonno-veglia e i disturbi motori.
Gli esperti ne hanno catalogato oltre 80 tipologie differenti, ma quelle principali sono l鈥檌nsonnia (difficolt脿 di addormentamento), l鈥檌personnia (stato di sonnolenza durante la giornata), i disturbi respiratori (ad esempio apnee notturne), le parasonnie (sonnambulismo), il disturbo sonno-veglia e i disturbi motori.
La polisonnografia
Per i casi ritenuti abbastanza gravi viene raccomandata una polisonnografia. Il paziente dorme in ospedale dove vengono monitorati e registrati una serie di parametri bio-fisiologici come l鈥檃ttivit脿 cerebrale (EEG), i movimenti oculari e muscolari, i livelli di ossigeno, l鈥檃ttivit脿 cardiaca (ECG) e la respirazione. La registrazione polisonnografica 猫 poi suddivisa in 鈥渆poche鈥� di 30 secondi ciascuna. Durante un'analisi visiva, a ogni epoca viene assegnata una fase del sonno, seguendo le regole dell鈥�American Academy of Sleep Medicine (AASM). Questo lavoro preliminare di analisi, abbastanza noioso, ripetitivo e regolato da standard ben definiti, pu貌 richiedere fino a due ore di tempo.
鈥嬧赌嬧赌嬧赌嬧赌嬧赌嬧赌�
Sembra quindi un compito adatto per gli algoritmi di intelligenza artificiale, che infatti vengono applicati alla classificazione delle fasi del sonno gi脿 da molti anni.
Ad oggi esistono diversi software che offrono servizi di classificazione automatizzati o semi-automatizzati. Tuttavia, la loro diffusione tra i professionisti 猫 ancora piuttosto limitata. Di recente, grazie alla crescente potenza di calcolo a disposizione, 猫 stato impiegato anche il deep learning 鈥� una tipologia di machine learning che si concentra sull'utilizzo di reti neurali pi霉 complesse - ottenendo risultati superlativi.
Ma allora. come mai questi algoritmi non sono ancora entrati nella routine dei centri del sonno?
Il progetto SPAS
Per tentare di trovare una soluzione a questa domanda decennale 猫 nato il progetto Sleep Physician Assistant System (SPAS).
Ne fanno parte il gruppo di ricerca Biomedical Signal Processing (BSP) dell鈥橧stituto di tecnologie digitali per cure sanitarie personalizzate (MeDiTech), il Centro del sonno dell鈥橧nselspital di Berna, l鈥橴niversit脿 di Berna, il NeuroTec Center del sitem-insel hanno unito le forze insieme a due ditte Europee Biomax (DE) e Relitech (NE) per la creazione di una piattaforma a supporto del lavoro degli operatori sanitari attivi nell鈥檃nalisi dei disturbi del sonno.
Francesca Faraci, a capo del gruppo di ricerca BSP, ha spiegato da dove parte SPAS: 鈥�il nostro obiettivo 猫 ascoltare le necessit脿 dei medici per velocizzare e migliorare il loro lavoro. Abbiamo automatizzato l鈥檌dentificazione delle diverse fasi del sonno, raggiungendo altissimi livelli di precisione e accuratezza. Siamo riusciti ad eguagliare risultati simili a quelli degli operatori umani, con la medesima distribuzione di variabilit脿 (hipnodensity-graph). Tuttavia, abbiamo compreso che le reali problematiche dell鈥檃dozione di questi strumenti nella routine dei centri del sonno, vanno ben oltre alla performance degli algoritmi鈥�.
Il vero problema: l鈥檌ncertezza intrinseca dei dati
Le fasi del sonno, secondo il manuale dell鈥橝ASM, globalmente riconosciuto, sono cinque: la fase di veglia (W awake); la fase di passaggio tra veglia e sonno che dura solo alcuni minuti (fase N1); la fase di preparazione al sonno profondo (fase N2); la fase del sonno profondo rigenerativo (fase N3); e la fase dove si sogna (fase REM). Un ciclo completo di sonno (dalle fasi 1-2-3-REM) pu貌 durare circa 90-110 minuti, e una persona pu貌 passare attraverso diversi cicli di sonno (4-5 cicli) durante la stessa notte. La qualit脿 del sonno 猫 influenzata da molti fattori, tra cui la durata complessiva del sonno e la quantit脿 di tempo trascorsa in ciascuna fase.
Se un medico categorizza come N1 una certa epoca di 30 secondi (finestra temporale o fase del sonno), e un suo collega categorizza come N2 la stessa epoca, i dati utilizzati dall鈥檃lgoritmo saranno discordanti. Questo non significa che uno dei due medici abbia torto: entrambi possono avere ragione, interpretando per貌 in maniera differente e secondo la loro esperienza o prospettiva le direttive standard. Infatti, le direttive dell鈥橝ASM lasciano spazio al giudizio soggettivo del medico. Si rileva quindi un margine medio di variabilit脿 di circa il 20%, tra un operatore e un altro, e del 10% tra lo stesso operatore che analizza due volte il medesimo tracciato.
Questa variabilit脿 di valutazione si traduce in una variabilit脿 dei dati di addestramento (in gergo tecnico, training set), e impedisce all鈥檃lgoritmo di raggiungere dei risultati soddisfacenti per tutti i medici del sonno. Ad oggi 猫 stato possibile ottenere e modellare la stessa distribuzione di incertezza dell鈥檈ssere umano; 猫 stato raggiunto il massimo possibile con un algoritmo di IA allenato con un approccio di apprendimento supervisionato. Nello specifico, un approccio di apprendimento supervisionato consiste nell鈥檃llenare un algoritmo sulla base delle categorie (nel caso specifico fasi del sonno - tecnicamente chiamate classi o labels) che sono state assegnate dall鈥檈sperto umano per ogni epoca di 30 secondi.
Come in ogni ambito in cui 猫 impiegata l鈥檌ntelligenza artificiale la qualit脿 dei dati 猫 centrale.
Luigi Fiorillo ricercatore 精东影业, che ha svolto il suo Dottorato all鈥檌nterno di questo progetto, evidenzia come 鈥�i risultati potrebbero migliorare notevolmente se gli standard fossero pi霉 stringenti e non lasciassero spazio a interpretazioni soggettive, diminuendo dunque l鈥檌ncertezza. Essendo questo impossibile per diverse ragioni, una soluzione potrebbe essere quella di affidarsi agli algoritmi in maniera parziale: agli algoritmi il compito di prendere le decisioni semplici, e al medico la responsabilit脿 di occuparsi delle decisioni pi霉 complesse 鈥� neii casi in cui sia gli algoritmi che l鈥檈ssere umano hanno un'incertezza elevata. In questo modo il medico potrebbe velocizzare la valutazione delle polisonnografie, ma mantenere l鈥檜ltima parola nell鈥檃nalisi dei casi complessi鈥�.
Sistemi ancora poco diffusi
Al momento i sistemi automatizzati e semiautomatizzati per la caratterizzazione delle fasi del sonno non sono ancora pienamente adottati nei centri specializzati. Ancora Francesca Faraci 鈥�i motivi sono molteplici. C鈥櫭� sicuramente una certa diffidenza nei confronti della tecnologia da parte del settore sanitario, in particolare quando interviene nel processo di diagnosi. Inoltre, i metodi basati sul deep learning sono considerati una 鈥渂lack-box鈥�, in quanto ad oggi il funzionamento degli algoritmi non 猫 facilmente interpretabile. Molti ricercatori stanno cercando di rendere il funzionamento meno opaco, ma c鈥櫭� ancora molta strada da fare. Ci sono anche ragioni legate a una bassa usabilit脿 dei software presenti oggi sul mercato, troppo poco intuitivi, e difficilmente integrabili con i sistemi informatici esistenti nei vari ospedali. Altri motivi sono legati alla gestione della sicurezza dei dati, che spesso richiedono di essere caricati nel cloud o in server esterni: un鈥檃zione scoraggiata dalle politiche di protezione dei dati e dai fornitori di servizi sanitari. Confidiamo per貌 che nel prossimo futuro si possano superare queste e altre sfide di natura non solo tecnica, al fine di costruire insieme agli esperti del settore una soluzione in grado di agevolare e potenziare il loro lavoro鈥�.
Il progetto ha dato vita a diverse pubblicazioni su riviste scientifiche di alto impatto.