Dr. Taha Kass-Hout, Dan Sheeran
La sanità sta vivendo un periodo di innovazioni senza precedenti, con progressi che spaziano dalla tecnologia CRISPR per l’editing genetico alla stampa 3D di organi, fino alle terapie oncologiche personalizzate. Tuttavia, quando le generazioni future si guarderanno indietro, penseranno alla nostra come a un’era di conquiste straordinarie o saranno più colpite dalle inefficienze e dalle criticità che hanno afflitto i nostri sistemi sanitari?
Immaginiamo il percorso di un paziente oncologico: un viaggio difficile e carico di emozioni, segnato dal peso della diagnosi e dall'incertezza del trattamento, ma anche dalle sfide che i medici e il personale sanitario si trovano ad affrontare quotidianamente. Gli oncologi devono destreggiarsi tra una miriade di dati provenienti da fonti più disparate - come immagini diagnostiche, esami di laboratorio e cartelle cliniche - per creare piani di trattamento personalizzati. Tutto questo mentre il personale ospedaliero lavora instancabilmente per programmare appuntamenti e coordinare risorse in una rete sanitaria complessa e frammentata. Questa sovrabbondanza di informazioni, unita a un sistema sanitario sempre più congestionato, contribuisce al burnout dei professionisti del settore, che rischiano di trovarsi sopraffatti dalla mole di lavoro.
Il sovraccarico di dati nella sanità
Entro il 2025, si prevede che il volume dei dati prodotti a livello globale supererà i 180 zettabyte, di cui oltre un terzo generati dal settore sanitario. Tuttavia, attualmente, solo il 3% di questi dati viene effettivamente sfruttato per migliorare l’assistenza sanitaria. Questo perché i sistemi esistenti non sono ancora in grado di gestire ed elaborare efficacemente informazioni provenienti da fonti eterogenee e su larga scala.
Il NIH (National Institutes of Health) stima che le conoscenze mediche raddoppino ogni 73 giorni, specialmente in discipline come l’oncologia, la cardiologia e la neurologia.
Per capire l'entità del problema, basta pensare a un oncologo che deve esaminare i risultati del dosaggio dell'antigene prostatico specifico (PSA). Durante un appuntamento di soli 15-30 minuti, deve considerare farmaci, terapie, procedure, sintomi, immagini, biopsie e co-morbilità, con dati sparsi su documenti e sistemi diversi.
Le sfide principali della sanità moderna
Le difficoltà legate al sovraccarico cognitivo, alla gestione dei piani terapeutici e alla frammentazione del sistema sanitario sono alla base dei ritardi e delle inefficienze che caratterizzano l’assistenza.
Consideriamo una tipica visita oncologica. Dopo un test del PSA, i risultati devono essere inseriti nella cartella clinica elettronica (CCE), dove l'oncologo è chiamato a verificare manualmente la presenza di livelli anomali e richiedere ulteriori esami. Senza un sistema intelligente che possa automatizzare queste operazioni e segnalare tempestivamente le criticità, si rischia di compromettere la qualità delle cure.
Soluzioni innovative per una sanità più efficiente
Le soluzioni per questi problemi complessi potrebbero arrivare dall’intelligenza artificiale. GE HealthCare, in collaborazione con AWS, sta lavorando per sviluppare tecnologie che migliorino i flussi di lavoro sanitari e integrino meglio i vari sistemi. L’obiettivo è semplificare le operazioni quotidiane, ridurre gli errori e facilitare la collaborazione tra specialisti, automatizzando molte attività amministrative.
Gli agenti AI (sistemi o programmi che utilizzano algoritmi di intelligenza artificiale per interagire con l’ambiente e svolgere compiti in modo autonomo, perseguendo obiettivi stabiliti dagli utenti), basati su modelli linguistici di grandi dimensioni (LLM) e modelli fondazionali multimodali (FM), sono in grado di gestire e analizzare enormi quantità di dati, tra cui note cliniche, risultati di laboratorio, linee guida, studi clinici e persino immagini diagnostiche. Questi sistemi sono progettati per estrarre informazioni utili dai dati e per coordinare i piani di cura tra i vari reparti, alleviando il carico cognitivo dei medici e ottimizzando le risorse.
L’era degli agenti intelligenti
Gli agenti intelligenti, capaci di apprendere in tempo reale, sono in grado di interagire con l'ambiente circostante e accedere ai dati tramite API o strumenti digitali, eseguendo operazioni complesse e perfezionando le strategie. La loro intelligenza si basa su un processo decisionale che può essere rappresentato come una "catena di pensiero" (chain of thought) o un "albero di pensiero" (tree of thought), che li aiuta a risolvere i problemi mantenendo sempre l'attenzione sugli obiettivi da raggiungere.
Un esempio concreto: l’AI nella gestione del cancro
Immaginiamo di avere a che fare con un paziente, Mario Rossi, affetto da carcinoma prostatico.
Rappresentazione fittizia di un flusso di lavoro multidisciplinare basato su agenti AI che analizzano dati clinici, biochimici, patologici e radiologici per valutare la diffusione metastatica.
Una volta che i dati del paziente (come i livelli del PSA, i risultati della risonanza magnetica e delle biopsie) vengono inseriti nel sistema, un agente coordinatore raccoglie tutte le informazioni e avvia automaticamente i flussi di lavoro in base a una logica predefinita. Ogni dato viene analizzato da agenti specializzati che identificano segnali critici per la cura.
Questi agenti operano in modo autonomo all’interno dei loro ambiti specifici, ma la loro collaborazione è fondamentale. Ecco alcuni esempi:
- Agente specializzato in dati clinici: analizza le note cliniche utilizzando l'elaborazione del linguaggio naturale (NLP) per identificare criticità, distinguendo tra problemi attuali e pregressi.
- Agente per i dati dei test molecolari: decodifica i dati genomici dai campioni bioptici per identificare biomarcatori come BRCA1/2 e PSMA, al fine di supportare trattamenti personalizzati.
- Agente specializzato in dati biochimici: valuta l'attività biochimica insolita, come livelli irregolari di PSA, e fornisce informazioni sull'aggressività del cancro e sulla progressione della malattia.
- Agente specializzato in dati radiologici: interpreta i dati diagnostici utilizzando tecniche basate sull'intelligenza artificiale per rilevare metastasi e valutare l'impatto del trattamento.
- Agente specializzato in dati bioptici: elabora i referti bioptici attraverso algoritmi di patologia digitale, assegnando un punteggio Gleason e determinando la stadiazione del cancro per valutarne l'aggressività; punteggi più alti indicano un cancro più aggressivo.
Un agente coordinatore sintetizza i risultati e fornisce raccomandazioni personalizzate per il trattamento che vengono archiviate in modo sicuro nel sistema di cartelle cliniche elettroniche notificando l'oncologo di John.
La programmazione degli appuntamenti e la gestione dei casi urgenti sono automatizzate, permettendo di dare priorità alle situazioni critiche senza compromettere la qualità delle cure. Nel contesto delle cure oncologiche, questi agenti possono coordinare le sessioni teranostiche con trattamenti come la chemioterapia, la chirurgia o la radioterapia, ottimizzando l'allocazione delle risorse.
Ogni agente segue standard come HL7, FHIR, HIPAA e GDPR, formando un sistema coeso che trasforma la cura del cancro di John Doe in un percorso di trattamento preciso, efficiente e reattivo grazie ad algoritmi collaborativi e a un'architettura modulare.
Le future integrazioni, come il collegamento dei sistemi di risonanza magnetica con strumenti di trattamento personalizzati, potrebbero rivoluzionare ulteriormente l'assistenza sanitaria. Gli agenti AI potrebbero calcolare piani di dosimetria su misura per la radioterapia, indirizzando con precisione i trattamenti e riducendo i ritardi. Questi sistemi possono inoltre monitorare le dosi di radiazioni, avvisando i tecnici in caso di deviazioni dagli standard di sicurezza e suggerendo correzioni. Questo approccio proattivo e interconnesso non solo migliora la precisione e l’efficacia dei trattamenti, ma dimostra anche come gli agenti intelligenti possano abbattere i silos tradizionali e innalzare gli standard di cura.
Il team di ricerca di GE HealthCare sta sviluppando sistemi multi-agente da zero, ma in futuro potremo accelerare l'innovazione grazie a servizi come Amazon Bedrock. Questo sistema permetterà a un agente coordinatore di orchestrare i flussi di lavoro di agenti specializzati, mantenendo il contesto tra le varie interazioni e garantendo continuità delle cure e un'esperienza personalizzata per il paziente.
Possiamo creare trasparenza lungo la catena di pensiero di ogni agente, esaminare il loro ragionamento e risolvere i problemi dei flussi di orchestrazione per migliorare i comportamenti e i risultati. Per costruire un tale sistema, potremo sfruttare la configurazione intuitiva di Bedrock, combinando la sua "retrieval-augmented generation" per l'integrazione dei dati e la capacità di esecuzione asincrona per semplificare attività complesse.
Architettura cloud semplificata e minimalista per un sistema sanitario multi-agente
Automazione e supervisione: un equilibrio necessario
Nonostante il grande potenziale di questi sistemi, la supervisione umana resta fondamentale. Per evitare che gli agenti generino informazioni errate, è necessario implementare robusti sistemi di validazione. In questo contesto, una strategia "human-in-the-loop" che preveda la supervisione da parte dei professionisti sanitari, è cruciale per garantire che le decisioni finali siano sempre valide dal punto di vista clinico. Audit regolari e cicli di validazione indipendenti possono migliorare ulteriormente l'affidabilità di questi sistemi.
Con il passaggio da strutture sanitarie isolate a sistemi basati su agenti AI coesi, si aprono nuove possibilità per cure ottimizzate, intelligenti e interconnesse. Gli agenti potrebbero interagire dinamicamente, adattarsi e integrare le competenze dei professionisti sanitari con le intuizioni dell'IA, migliorando l'efficienza e i risultati clinici. Stiamo assistendo a una rivoluzione che promette cure connesse e compassionevoli per tutti.
Pubblicato originariamente da Amazon Web Services
Dan Sheeran dirige la Healthcare and Life Sciences Industry Business Unit (HCLS IBU) di AWS, che supporta tutti i clienti AWS nei settori Lifesciences, dispositivi medici, Payor, Data Services e ISV e OEM sanitari. L'HCLS IBU aiuta i clienti a sfruttare i servizi di cloud e machine learning di AWS e le soluzioni dei partner AWS per scoprire e sviluppare nuove terapie, diagnosi e dispositivi e per fornire assistenza sanitaria in modo più efficiente e con migliori risultati per i pazienti. Prima di entrare in AWS nel 2019, Dan ha fondato e guidato due startup di sanità digitale focalizzate sulla telemedicina e sul machine learning per la prevenzione e la gestione delle malattie croniche. Dan vive nell'area di Seattle. Ha conseguito un MBA presso la Northwestern University e una laurea presso la Georgetown University.
Il dott. Taha Kass-Hout, MD, MS, è Global Chief Science and Technology Officer di GE HealthCare e un acclamato innovatore negli ambiti della sanità e della tecnologia. Nel suo precedente ruolo in Amazon come Vice President/Distinguished Engineer of Machine Learning and Chief Medical Officer, ha guidato progetti tecnologici sanitari di cruciale importanza, tra cui Amazon HealthLake, Amazon Comprehend Medical e Amazon Pharmacy. Ha inoltre svolto un ruolo fondamentale nella creazione del laboratorio diagnostico di Amazon durante la pandemia di COVID-19. Prima di lavorare in Amazon, il dott. Kass-Hout è stato il primo Chief Health Informatics Officer presso la FDA statunitense, dove ha promosso la trasparenza dei dati attraverso iniziative come openFDA e precisionFDA. Laureato presso l'Università del Texas con un MD e un MS e con una formazione clinica presso il Beth Israel Deaconess Medical Center di Harvard, i contributi del dott. Kass-Hout alla tecnologia sanitaria sono stati riconosciuti con il Seattle Global CIO of the Year Orbie Award
