Trasferire la ricerca sull’intelligenza artificiale dai laboratori di ricerca al letto del paziente
Costruire un laboratorio di federated learning per la pediatria e garantire un addestramento degli algoritmi che tuteli la privacy delle applicazioni di intelligenza artificiale, rappresenta un passo necessario e fondamentale verso il raggiungimento del nostro obiettivo finale: il Pediatric Moonshot. Ma la costruzione di questa infrastruttura critica, da sola, non è sufficiente. E’ necessario anche un cambiamento importante nel modo in cui la ricerca viene generalmente condotta per essere trasferita dal laboratorio al letto del paziente. Ancora oggi, troppi progetti di ricerca sono condotti da ricercatori isolati che sviluppano reti neurali addestrandole con set di dati locali e di piccole dimensioni, i cui risultati vengono condivisi esclusivamente attraverso pubblicazioni scientifiche.
Purtroppo, è proprio quando si arriva alla pubblicazione scientifica che le nuove conoscenze spesso si fermano senza che vengano trasferite nella pratica clinica a vantaggio dei pazienti. La medicina traslazionale nasce proprio per colmare questa distanza che si osserva anche nello sviluppo di prodotti farmaceutici e di dispositivi medici. Ma mentre la medicina traslazionale è ormai largamente applicata a farmaci e dispositivi, è ancora lontana dall’essere sistematicamente usata nelle innovazioni di software.
Uno degli usi importanti di un servizio di edge cloud decentralizzato in house è proprio quello di fornire una piattaforma per tradurre le innovazioni dell’intelligenza artificiale dalla ricerca al letto del paziente. Possiamo immaginare di sviluppare questo processo traslazionale per l’intelligenza artificiale in tre fasi, secondo il Metodo Chang, così denominato in onore del Dr. Anthony Chang, che ha ispirato il Pediatric Moonshot:
Fase 1: Usare gli algoritmi AI sviluppati su piccoli set di dati ed implementarli come applicazioni edge-cloud. Questa implementazione permette l’utilizzo di servizi di dati edge per l’accesso ai dati di routine (ad es. MRI, ecografie, EEG, analisi del sangue), e di avere un’interfaccia utente per la clinica.
Fase 2: Implementare l’applicazione AI nell’edge cloud in house in 500 ospedali pediatrici. In questa fase è possibile misurare la precisione dell’applicazione e confrontarla tra i centri.
Fase 3: Migliorare la precisione. A questo punto l’applicazione AI ha accesso a un set di dati ampio e diversificato attraverso il federated learning pur conservando la privacy del paziente (•https://medium.com/@timothy-ck-chou/federated-learning-for-consumer-ai-applications-64aa744e641e
Proviamo ora ad applicare il metodo Chang a uno scenario reale.
Ritorniamo al ragazzo della Florida che soffriva di epilessia dall’età di 18 mesi e che non ha mai avuto un periodo di tempo della sua vita libero da convulsioni. All’età di dodici anni questo bambino aveva un numero di convulsioni sempre maggiore, ognuna delle quali della durata di almeno 10–20 secondi. Le convulsioni notturne (in media tre a notte) costringevano questo ragazzo a svegliarsi in preda alle urla, alla stanchezza e all’irritabilità. La diagnosi di displasia corticale focale (FCD), il disturbo che alla fine gli è stato diagnosticato, può essere fatta attraverso una risonanza magnetica cerebrale. Sfortunatamente per questo ragazzo, due risonanze magnetiche eseguite all’inizio del percorso diagnostico sono state erroneamente interpretate come normali e il trattamento appropriato non è stato applicato. Trattandosi di una malattia con una frequenza di soli 2500 casi negli Stati Uniti in un anno, non è sorprendente che la diagnosi non sia stata fatta.
Poiché la FCD di questo bambino non è stata diagnosticata, invece del trattamento chirurgico che è la terapia elettiva di questa patologia, gli sono stati prescritti almeno 10 farmaci, che sono stati successivamente interrotti a causa della loro inefficacia e degli effetti collaterali. Più recentemente la sua FCD è stata finalmente diagnosticata e l’intervento chirurgico che è stato programmato per rimuovere la specifica lesione cerebrale, lo renderà libero da crisi epilettiche definitivamente, senza necessità di assumere farmaci, e gli permetterà di condurre una vita normale.
A quattromila miglia di distanza, nel Regno Unito, due ricercatori, Sophie Adler e Konrad Wagstyl, hanno lavorato negli ultimi quattro anni a un progetto per sviluppare un’applicazione di intelligenza artificiale per rilevare la FCD. Il progetto si è concluso nel 2022 con un articolo pubblicato sulla rivista Brain che descrive l’applicazione Multi-center Epilepsy Lesion Detection (MELD), un algoritmo di apprendimento automatico robusto e interpretabile per il rilevamento automatico della FCD. Questi ricercatori hanno sviluppato il loro algoritmo di rilevamento della FCD su una coorte di 618 pazienti con epilessia correlata alla FCD provenienti da 22 centri di epilessia in tutto il mondo. La rete neurale dell’algoritmo è stata addestrata e validata sul 50% della coorte totale e testata sul restante 50%, e verificata in 2 ulteriori siti indipendenti. MELD è in grado di fornire referti personalizzati per il paziente che identificano la posizione delle lesioni insieme alle loro caratteristiche di imaging.
Purtroppo, questo algoritmo è ancora confinato alla rivista nella quale è stato pubblicato, Brain. Proviamo ad immaginare come il metodo Chang potrebbe tradurre questa ricerca dal laboratorio dell’University College di Londra dove l’applicazione è stata sviluppata, al letto dei pazienti di tutto il mondo.
Il primo passo sarebbe implementare l’applicazione diagnostica FCD dei ricercatori del Regno Unito, MELD, come applicazione edge cloud. Il secondo passaggio consisterebbe nel distribuire l’applicazione nelle edge zone in tutte le 22 istituzioni che hanno partecipato al lavoro originale, come mostrato nella figura seguente. L’applicazione MELD potrebbe essere utilizzata sia per il rilevamento in tempo reale della diagnosi di FCD, che per l’accesso alle risonanze magnetiche storiche memorizzate nelle applicazioni PACS locali.
Infine, verrebbero utilizzate tecniche di federated learning per migliorare ulteriormente la precisione dell’algoritmo sulla base di un set di dati molto più ampio e, naturalmente, distribuite in molte più località, il tutto preservando la privacy del paziente.
L’applicazione diagnostica MELD per l’FCD è ovviamente solo una delle centinaia o migliaia di potenziali applicazioni di intelligenza artificiale che possono essere implementate con questo sistema a vantaggio di tutte le aree della medicina pediatrica, dalla cardiologia, radiologia ed endocrinologia, alla neurologia, all’ortopedia e alla neonatologia. Disponiamo della tecnologia per creare applicazioni che tutelano la privacy in tempo reale, che possono trasformare la qualità delle cure per tutti i bambini, compresi quelli che vivono in aree socialmente o geograficamente poco fortunate per l’accesso alle cure specialistiche.
Perché non dovremmo implementare il metodo Chang e trasferire molti altri progetti di ricerca sull’intelligenza artificiale dai laboratori nei quali sono stati sviluppati al letto del paziente?
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.
