Pediatric Moonshot
Dopo essermi ritirato dalla direzione dell’attività di cloud computing di Oracle, sono tornato alla Stanford University per iniziare il primo corso su cloud computing, CS309A. Diversi anni fa, a questo corso si è iscritto uno studente molto particolare. Quello studente — che è diventato un leader nell’IA in medicina, era il dottor Anthony Chang. È stato lui a farmi rendere conto che, nonostante la tecnologia disponibile, il sistema sanitario utilizzava (e utilizza ancora) i CD-ROM (o le chiavette USB) per trasferire i dati sanitari da un computer all’altro. Inoltre, ho capito che i rapidi progressi e la grande accuratezza delle applicazioni di IA per i consumatori semplicemente non si verificavano ancora in medicina, in buona parte perché i miglioramenti nell’accuratezza dell’IA dipendono dall’accesso a grandi quantità di dati diversi.
Durante il COVID, ho deciso di interrompere la mia vita da pensionato e costituire un team di esperti. La nostra missione? Fornire l’accesso ai dati generati da tutto il milione di dispositivi sanitari in tutti i 500 ospedali pediatrici del mondo per creare applicazioni più accurate, in tempo reale, che proteggano la privacy e la vita dei bambini. Il successo di questa missione ridurrà le disuguaglianze sanitarie, ridurrà i costi sanitari e migliorerà gli esiti dei pazienti non solo a livello nazionale, ma globale. Questa impresa si chiama “Pediatric Moonshot”.
Mentre un approccio di architettura centralizzata, che prevede la raccolta di grandi quantità di dati in repository centralizzati, è stato utilizzato con successo per accelerare lo sviluppo di applicazioni di intelligenza artificiale per i consumatori come ChatGPT, questo approccio non è adatto alle applicazioni di intelligenza artificiale in medicina. Le architetture centralizzate non sono una soluzione per l’IA in medicina per diversi motivi. In particolare, le architetture centralizzate non sono adatte alle collaborazioni in rete, non sono compatibili con applicazioni diverse, non consentono di gestire i dati in tempo reale, non preservano la privacy e non ammettono l’applicazione di policy locali. Quindi, come nel primo lancio sulla luna, dovevamo sviluppare una cosa completamente nuova, un “Pediatric Moonshot”.
Il team di Bevelcloud ha progettato un’architettura decentralizzata per l’IA in medicina. Questa infrastruttura decentralizzata all’interno della stessa struttura sanitaria viene definita edge cloud. L’edge cloud opera nella stessa struttura sanitaria così come i dispositivi medici, il che significa che la gestione della sicurezza e la gestione della privacy sono integrate. Inoltre, l’edge cloud deve poter operare in qualunque continente, dove si trova ciascuno dei 500 ospedali pediatrici. Poiché la missione è fornire l’accesso ai dati in tutte il milione di dispositivi medici, abbiamo creato dei digital twin dei dispositivi per standardizzare l’accesso ai dati di imaging, esami di laboratorio, o monitor al letto del paziente, in tempo reale. L’architettura supporta anche i digital twin dei PACS per standardizzare l’accesso ai dati delle immagini offline e i digital twin delle cartelle cliniche elettroniche per standardizzare l’accesso ai dati in esse contenute.
Utilizzando questi standard di dati comuni, gli sviluppatori possono utilizzare BevelCloud Studio per creare applicazioni in tempo reale che proteggano la privacy che possono essere eseguite in qualsiasi parte del mondo. L’analogia più vicina a questo approccio è quello che Apple ha fatto con l’iPhone. Creando una piattaforma, standardizzando l’accesso alla fotocamera e al GPS, hanno incoraggiato migliaia di sviluppatori indipendenti a creare applicazioni. Quando è stato lanciato l’iPhone, chi avrebbe potuto immaginare il successo di TikTok, Instagram o WeChat? Allo stesso modo, immaginiamo migliaia di sviluppatori creativi che costruiscono un’ampia varietà di applicazioni per la cardiologia, radiologia, oncologia, ortopedia, medicina d’urgenza, malattie rare, neonatologia e neurologia.
Ci sono molte applicazioni possibili. Una sulla quale cui ci siamo concentrati, è un’applicazione per la condivisione di immagini di medicina d’urgenza. Un recente documento sullo stato dell’arte nella condivisione di immagini radiologiche tra gli ospedali pediatrici statunitensi dice: “Il trasferimento tempestivo e sicuro dell’imaging è vitale per la sicurezza del paziente poiché la domanda di imaging aumenta”. Molti medici dei pronto soccorso pediatrici sono d’accordo con questa affermazione, identificando la condivisione delle immagini come un problema universale, soprattutto quando si tratta di immagini radiologiche ottenute dall’invio di ospedali o cliniche. A volte, l’unica speranza di accedere a queste immagini dipende dal fatto che la famiglia abbia scattato o meno una foto dello schermo del computer.
Questo non dovrebbe succedere. Costruire una rete nazionale o globale per condividere le rare competenze cliniche pediatriche con cliniche e ospedali non pediatrici è alla nostra portata. Nel 2022, il nostro team ha dimostrato che la condivisione globale delle immagini in tempo reale è possibile. Il dottor Chang ha portato sua figlia maggiore, che ha un problema cardiaco congenito, nel laboratorio di ecocardiografia del Children’s Hospital di Orange County, in California. La sua ecografia è stata condivisa — in tempo reale, mentre veniva condotta in California — con gli esperti del Bambino Gesù a Roma. Qui un breve video di quella giornata storica.
Riconoscere che le competenze pediatriche sono troppo rare per quei bambini che non sono geograficamente o socialmente abbastanza fortunati da avere accesso diretto a un pediatra o altro professionista della salute infantile giustifica la necessità di costruire l’IA per la medicina pediatrica. Ancora una volta, è possibile ottenere un’assistenza accurata e di alta qualità, nonostante le limitazioni geografiche e socioeconomiche, attraverso l’implementazione di applicazioni di intelligenza artificiale in tempo reale che preservano la privacy nel punto di cura presso un ospedale pediatrico, un ospedale non pediatrico o una clinica. L’implementazione di applicazioni cardiologiche, neurologiche o ortopediche nel punto di cura è semplice utilizzando una piattaforma edge cloud.
La cosa difficile è come addestrare applicazioni IA accurate e esenti da distorsioni, preservando la privacy. Fortunatamente, è emersa una tecnologia chiamata federated learning per addestrare le applicazioni di intelligenza artificiale per i consumatori, pur mantenendo il supporto per le reti collaborative e conservando la privacy. Siri è un ottimo esempio dell’uso dell’apprendimento federato nell’IA per i consumatori. Siri può imparare ogni volta che parli senza inviare i dati vocali personali a un servizio centralizzato, ma imparando dai dati vocali personali attraverso un’architettura altamente decentralizzata: milioni di iPhone.
L‘addestramento di applicazioni di intelligenza artificiale accurate e esenti da distorsioni in medicina richiede l’accesso a grandi quantità di dati diversi, e questi dati esistono. Ad esempio, si consideri che i laboratori di ecocardiografia presenti in tutti i 500 ospedali pediatrici di tutto il mondo producono cumulativamente oltre 6.000.000 di TB di dati ogni anno. Questo volume è 150.000 volte la dimensione dell’Imaging Data Commons centralizzato del NIH. Con l’edge cloud all’interno della struttura sanitaria, possiamo impiegare il federated learning per addestrare applicazioni di intelligenza artificiale altamente accurate su ogni possibile condizione cardiologica pediatrica preservando la privacy.
Poiché sviluppare applicazioni di intelligenza artificiale senza dati è come creare applicazioni aziendali senza un linguaggio di programmazione, il nostro obiettivo è creare un laboratorio di federated learning per la medicina pediatrica. Inizialmente il laboratorio si concentrerà specificamente sulla cardiologia pediatrica, a partire da 100 edge server “gemellati” a 100 ecografi in sei sedi in due continenti. Utilizzando un’applicazione AI open source per misurare la frazione di eiezione ed elaborando un protocollo unico per i comitati etici di diversi siti in qualunque Paese, saremo in grado di sperimentare vari software e varie strategie di federated learning. Questa è la premessa per il prossimo progresso nell’IA in medicina.
È stato stimato che ci siano volute 40.000 persone per raggiungere la luna nella prima missione lunare. Il “Pediatric Moonshot” impegnerà anch’esso una comunità. Il successo di questa missione ridurrà le disuguaglianze sanitarie, ridurrà i costi sanitari e migliorerà gli esiti dei pazienti a livello nazionale e globale. Ad alimentare i nostri sforzi è la nostra ferma convinzione che il software può e deve essere utilizzato per scopi benefici su scala globale.
Se desideri saperne di più sul “Pediatric Moonshot”, puoi iscriverti a questo canale Medium o contattare Timothy Chou o Alberto Tozzi.
Special thanks to Alberto Tozzi, Head of Predictive and Preventive Medicine Research Unit at Ospedale Pediatrico Bambino Gesù for the translation to Italian. Also, thanks for extensive editing to the English version by Laura Jana, Pediatrician, Social Entrepreneur & Connector of Dots; Leanne West, Chief Engineer of Pediatric Technology at Georgia Tech.
