Dottor Apple

Kimberly Bari ha avuto il primo attacco epilettico nel 2010, all’età di 26 anni, e da allora le è successo altre centinaia di volte. Nel 2016 la sua condizione di resistenza ai farmaci l’ha indotta a provare qualcosa che meno di 2 mila persone nel mondo avevano sperimentato prima: si è fatta impiantare un computer nel cervello. Il NeuroPace Responsive Neurostimulation System «mi garantisce la serenità che non avrei mai immaginato di poter provare», ha detto. E tutto questo non sarebbe possibile senza il tipo di intelligenza artificiale conosciuto come machine learning. Gli ingegneri di NeuroPace hanno organizzato in modelli l’attività neurale dei pazienti, che è inserita in un database di 2 milioni di registrazioni del cervello di altri soggetti. Grazie alla conoscenza di ciò che ha funzionato in precedenza, il sistema insegna all’impianto a stimolare il cervello per interrompere un attacco al suo esordio. Questa innovazione si inquadra in un fenomeno più ampio, che ha grandi implicazioni sulle modalità con cui sono diagnosticate e curate le malattie: l’introduzione dell’intelligenza artificiale nell’elettronica clinica. Man mano che le macchine imparano da milioni di esseri umani, i medici acquisiscono la capacità di identificare meglio le malattie e persino di prevederle prima che sfocino in una grave crisi. Come in ogni altra area, l’introduzione dell’intelligenza artificiale nella medicina presenta però delle insidie. C’è la necessità di educare sia i pazienti che gli specialisti su come usare questi strumenti. Esistono seri problemi di privacy relativi ai dati dei pazienti. Poi, c’è la possibilità di sovradiagnosi. Se Google Search ha creato una generazione di ipocondriaci, figuriamoci cosa potrebbe succedere se un robot troppo zelante iniziasse a mandare la gente dal medico ogni volta che rileva la remota possibilità di una malattia rara. Un’altra sfida, secondo Robert Mittendorff, medico e venture capitalist, è che l’intelligenza artificiale non è sempre addestrata in base alla medesima popolazione su cui opera. Per esempio, da uno studio del Mit emerge che alcuni software di riconoscimento facciale, che utilizzano l’apprendimento automatico, sono estremamente accurati nell’identificare i volti degli uomini bianchi, ma relativamente scadenti nell’individuare i volti delle donne dalla pelle scura, a causa dei dati con cui questi sistemi sono stati costruiti.

L’esame del sangue senza sangue. Il sistema NeuroPace deve essere installato da un chirurgo del cervello, ma la maggior parte delle innovazioni probabilmente raggiungerà la gran parte della popolazione attraverso i dispositivi mobili che già utilizziamo. KardiaMobile è un sistema di monitoraggio per elettrocardiogramma tascabile e il primo accessorio per iPhone approvato dalla Fda (Food and drug administration) degli Stati Uniti. Attualmente il produttore, AliveCor, che vende anche l’elettrocardiografo KardiaBand per Apple Watch, sta raccogliendo mediante i propri dispositivi i dati che un giorno alimenteranno un sistema di apprendimento automatico, di cui i medici potrebbero fare uso per individuare le malattie. Una possibile applicazione è l’«esame del sangue senza sangue», ha detto Paul Friedman, direttore della medicina cardiovascolare alla Mayo Clinic, che ha stretto una partnership con AliveCor. Questo test potrebbe verificare una variazione nell’Ekg, che indica un potenziale innalzamento del livello di potassio nel sangue, e che l’intelligenza artificiale è in grado di identificare. Attualmente la condizione può essere diagnosticata solo prelevando il sangue. Misurare questo marker in tempo reale, per mezzo di uno smartphone, potrebbe rivoluzionare il modo con cui un paziente viene seguito dopo un attacco cardiaco o mentre è in cura con determinati farmaci, ha aggiunto Friedman. La sua ricerca ha anche prodotto un algoritmo che sfrutta l’apprendimento automatico per prevedere se una persona ha o svilupperà una condizione nota come insufficienza cardiaca, che colpisce dal 2 al 9% della popolazione.

La tecnologia di supporto decisionale. L’Acumen hypotension prediction index (Hpi) di Edwards Lifesciences ha recentemente ricevuto il via libera della Fda ed è già stato utilizzato su migliaia di pazienti in Europa. L’Hpi sfrutta il machine learning, applicato a una grande quantità di dati precedentemente raccolti, per comunicare in tempo reale ai medici la probabilità che la pressione di un paziente possa calare in maniera fatale. Monty Mythen dell’University College di Londra, lo ha paragonato a un’app per il meteo. Guardando i valori previsti dal sistema e basati sull’intelligenza artificiale, i medici possono capire se un paziente ha qualcosa che non va molti minuti prima rispetto alle misure convenzionali. Questo tipo di intelligenza artificiale non dice ai medici cosa fare, visto che le decisioni sono ancora nelle mani di un essere umano, ma un giorno lo farà. Grazie alla tecnologia di «supporto decisionale» i medici potranno semplicemente premere un pulsante per somministrare il rimedio.

I big della tecnologia. Apple vuole utilizzare il sensore della frequenza cardiaca nell’Apple Watch per raccogliere miliardi di dati anonimi per lo studio del cuore, in collaborazione con Stanford. Per quanto la Mela tenga la bocca cucita riguardo a dove condurrà tutto questo, è chiaro che alla fine andrà a richiedere l’approvazione della Fda per le app che si affidano al sensore della frequenza cardiaca per fornire consulenza medica. Entrare in un settore così in vista e altamente regolamentato, come quello dei dispositivi medici, non è per deboli di cuore. «Come per qualsiasi mansione eseguita dall’uomo, introdurre l’intelligenza artificiale significa automatizzare una parte del lavoro di un professionista altamente qualificato», ha affermato Mittendorff. «E quel professionista vorrà assicurarsi che quanto fatto per automatizzare il suo lavoro rispetti i più elevati standard etici. La posta in gioco è quindi alta». (riproduzione riservata)
traduzione di Giorgia Crespi