Illustrazioni di cloud e container in equilibrio su una sfera
Vai al paragrafo

Come utilizza l'intelligenza artificiale in medicina?

Copia URL

Porta l'IA in qualsiasi ambiente con Red Hat OpenShift AI

Scopri come Red Hat® OpenShift® AI accelera l'intero ciclo di vita dei modelli di AI/ML e delle applicazioni, grazie a strumenti integrati, processi ripetibili, opzioni di deployment adattabili e un ecosistema di partner consolidato.

Con intelligenza artificiale (IA) nel settore sanitario si intende l'impiego di algoritmi addestrati con machine learning (ML) nelle tre macrocategorie che compongono il mercato sanitario: l'applicazione dell'assistenza sanitaria (scienze della vita), l'erogazione dell'assistenza sanitaria (prestatori di servizi sanitari) e la fruizione dell'assistenza sanitaria (contribuenti).

I recenti progressi nel campo del machine learning destinato all'addestramento di algoritmi hanno permesso di ampliare gli scenari di utilizzo dell'intelligenza artificiale nel settore sanitario, ottenendo risultati che superano di gran lunga l'IA reattiva dei primi tempi. Gli avanzamenti nell'ambito dell'apprendimento automatico rivestono un ruolo di fondamentale importanza nella trasformazione e modernizzazione del settore sanitario

Per poter analizzare e concretizzare soluzioni in base ai dati medici, è necessario rendere tali dati accessibili e utilizzabili. Solo così si possono ottenere applicazioni dei servizi sanitari più capillari, efficaci ed efficienti.

Esistono quattro tipologie di intelligenza artificiale:

  • IA reattiva: si tratta di un'intelligenza artificiale che non sfrutta l'apprendimento automatico per migliorare e che posta di fronte alle medesime situazioni reagisce sempre allo stesso modo.
  • IA con memoria limitata: si tratta di un'intelligenza artificiale che sfrutta l'apprendimento automatico per creare algoritmi sulla base di azioni precedenti. Al momento i progressi si concentrano principalmente su questa tipologia di intelligenza artificiale, che viene comunemente indicata con la sigla AI/ML (da artificial intelligence/machine learning). Questo sistema coinvolge anche una branca del machine learning, chiamata deep learning, che attraverso diversi livelli di analisi è in grado di ricavare maggiori informazioni dai dati non elaborati.
  • IA basata sulla teoria della mente: si tratta di un'intelligenza artificiale capace di comprendere e ricordare le emozioni e di interagire con le persone sulla base di quel modello. Al momento questa tipologia di IA si trova a uno stadio embrionale e prevalentemente teorico.
  • IA autoconsapevole o IA "reale": si tratta di un'intelligenza artificiale consapevole delle proprie emozioni, con un livello di coscienza simile a quello degli esseri umani. L'IA autoconsapevole è ancora a uno stadio teorico.

Quando si parla di intelligenza artificiale nel settore sanitario, si fa riferimento in gran parte ai rapidi progressi sia negli algoritmi che nelle applicazioni dell'IA con memoria limitata.

I progressi nel capo dell'intelligenza artificiale hanno un impatto significativo non solo sulla cura dei pazienti, perché permettono a medici e personale interessato di diagnosticare le malattie e fornire un piano terapeutico in maniera più accurata, ma anche sul lavoro degli amministratori, perché consentono loro di distribuire le risorse mediche in maniera precisa e puntuale.

Questo va a vantaggio delle tre macrocategorie del settore sanitario (scienze della vita, prestatori di servizi sanitari e contribuenti) in molti modi. La possibilità di acquisire, distribuire e utilizzare informazioni aggiornate in maniera più efficiente aiuta il personale medico nel trattamento dei pazienti, accelera la raccolta dei dati da diverse sorgenti che migliora la gestione delle condizioni esistenti e aiuta a prevedere o identificare l'insorgenza di nuove condizioni o malattie. 

Una distribuzione più efficace dei processi relativi ai dati consente agli amministratori di organizzare e verificare in modo efficiente le richieste di rimborso, di semplificare l'elaborazione stessa delle richieste e di migliorare l'accuratezza delle informazioni e la velocità con cui vengono comunicate a pazienti, clienti ed erogatori di servizi sanitari. Nel complesso, la raccolta dei dati e la realizzazione di algoritmi sulla base di quei dati aiutano a prevedere i rischi futuri e permettono agli amministratori di ottimizzare la gestione e migliorare l'assistenza erogata.

Di seguito alcuni modi in cui l'intelligenza artificiale nel settore sanitario si dimostra un'importante risorsa per pazienti, prestatori di servizi sanitari e contribuenti:

Diagnosi più rapide
Le informazioni elaborate dagli algoritmi di intelligenza artificiale e dall'analisi predittiva in tempo reale permettono di formulare diagnosi più rapidamente. Grazie all'IA quindi i pazienti ottengono una terapia in meno tempo, e questo aumenta le probabilità di guarigione e consente di utilizzare meno risorse per risolvere il problema. Ad esempio, HCA Healthcare, uno dei principali erogatori di servizi sanitari degli Stati Uniti, ha utilizzato le soluzioni Red Hat per realizzare un sistema di analisi predittiva in tempo reale in grado di rilevare in modo più rapido e accurato i segni della sepsi, una condizione potenzialmente letale.

Gestione delle richieste di rimborso
La burocrazia relativa alle richieste di rimborso e ai pagamenti può sottrarre al personale amministrativo numerose ore di lavoro. Inoltre, l'elaborazione manuale delle richieste aumenta il rischio di commettere errori, il che va a discapito sia dei pazienti, sia dell'ente erogatore del servizio. L'intelligenza artificiale consente di automatizzare l'invio e offre suggerimenti basati sull'analisi dei dati relativa alla gestione delle richieste di rimborso. In questo modo è possibile velocizzare l'evasione delle richieste e offrire a dipendenti e clienti un'esperienza ottimale.

Frodi, sprechi e abusi
L'automazione robotica dei processi (RPA, Robotic Process Automation) è in grado di esaminare documenti con una velocità e un'accuratezza di molto superiori a quelli di un intervento manuale. Questi algoritmi sono quindi utili per individuare eventuali attività fraudolente o sprechi; senza contare che migliorano nel tempo diventando più efficaci nel rilevare i problemi.

Estendere l'accesso alle offerte sanitarie
I sistemi di diagnosi assistiti da IA aumentano il numero di pazienti fruitori dei servizi. Ad esempio, la radiologia o l'imaging biomedico assistiti da IA permettono a un numero maggiore di professionisti di interpretare gli ultrasuoni e contribuiscono a ridurre i rallentamenti causati dalla mancanza di specialisti e ad aumentare il numero di pazienti sottoposto a tali esami.

Sviluppo di farmaci
Lo sviluppo di nuovi farmaci richiede di determinare le dosi e le modalità di somministrazione. Gli strumenti di intelligenza artificiale computazionale sono in grado di migliorare o persino sostituire gli approcci "trial and error" e forniscono modelli più rapidi ed efficienti per monitorare l'intero processo. In questo modo è possibile accelerare lo sviluppo di nuovi farmaci e ridurre i costi per l'azienda farmaceutica e per i clienti finali.

L'intelligenza artificiale nel settore sanitario offre numerosi vantaggi, ma la sua implementazione presenta diversi ostacoli. Alcune delle sfide che il settore sanitario deve affrontare includono:

Raccolta e gestione dei dati
Molti sono gli ostacoli legati al processo di raccolta, analisi e utilizzo dei dati sanitari.

Perché possa generare e alimentare algoritmi rilevanti, l'intelligenza artificiale deve elaborare grandi volumi di dati in tempo reale. Questo pone il problema complesso e molto sfaccettato della raccolta dei dati.

È necessario integrare gli hardware, i software e le procedure per la raccolta dei dati nei flussi di lavoro del settore sanitario. Questi flussi di lavoro però sono organizzati secondo specifiche strutture, gerarchie e implicano un certo grado di intervento manuale. E i dati sanitari sono molto spesso distribuiti su reti diverse, non centralizzati in singoli database e in alcuni casi nemmeno digitalizzati.

Occorre trovare inoltre il giusto equilibrio fra le diverse parti interessate, compresi data scientist, team IT, team operativi, personale medico, prestatori di servizi sanitari, ISV, fornitori, ecc., per evitare disallineamenti durante il processo e consentire un utilizzo ottimale delle implementazioni di AI e ML. In quest'ottica le parti interessate dovrebbero affidarsi a software agili e non vincolati a fornitori specifici che permettano di formulare al meglio i problemi e sfruttare dati puliti e scalabili compatibili con più ISV.

È necessario inoltre assicurarsi di raccogliere e convertire i dati in formati interoperabili e utilizzabili che funzionino con le informazioni raccolte da varie sorgenti. Questo implica l'uso di una notevole quantità di larghezza di banda per trasmettere i dati dal punto della rete in cui vengono raccolti, a volte tramite dispositivi edge. Le esigenze in termini di spazio di archiviazione crescono in modo esponenziale visto il notevole incremento dei dati raccolti nei sistemi sanitari, in particolare per attività come l'imaging biomedico, l'IoMT e l'edge computing.

Il cloud computing è in grado di offrire sia il livello di prestazioni che la capacità per risolvere questi problemi, tuttavia si rivela spesso una soluzione poco pratica soprattutto in ambienti rurali e in aree dove mancano solide infrastrutture IT e sanitarie. Per superare questo ostacolo sono necessarie soluzioni a costi contenuti che migliorino le operazioni all'edge della rete e analizzino i dati in prossimità del sito di assistenza sanitaria.

A differenza delle soluzioni proprietarie, i software open source enterprise supportati da Red Hat sono il frutto della collaborazione di migliaia di sviluppatori, compresi gli stessi operatori del settore sanitario che utilizzano i software in prima persona e li migliorano in base alle proprie esigenze. Grazie al suo approccio open source e modulare, Red Hat aiuta i clienti a rendere operativi i progetti di AI/ML più rapidamente e ottenere un livello maggiore di personalizzazione, controllo delle parti interessate e trasparenza. L'approccio flessibile e open source di Red Hat offre alle organizzazioni svariati vantaggi:

  • Generare valore in base alle esigenze e tutelare gli investimenti IT esistenti. I partenariati e le integrazioni di Red Hat aiutano ad accelerare e semplificare il deployment e la gestione del ciclo di vita dei progetti di AI/ML. 
  • Accedere a una gamma completa di tecnologie open source leader di settore incluse nella soluzione di cloud ibrido che offre le funzionalità di intelligenza artificiale più richieste come regole di business, automazione dei processi, eliminazione dei vincoli, ottimizzazione aziendale e machine learning.
  • Estendere la connettività dei dati grazie al Data-as-a-Service intelligente di Red Hat che si può personalizzare per soddisfare le iniziative di mandati interni ed esterni in continua evoluzione. 
  • Estendere o ridurre le funzionalità basate sulla piattaforma con componenti flessibili, garantendo così ripetibilità e sicurezza che accelerano l'innovazione.
  • Promuovere un'architettura di integrazione e distribuzione continue (CI/CD) prescrittiva ma flessibile con cui semplificare il passaggio dalla fase di modellazione e formazione del machine learning a quella di deployment e miglioramento continuo (noto anche come MLOps).

Di seguito alcuni esempi pratici che illustrano l'impiego delle soluzioni di intelligenza artificiale di Red Hat nel settore sanitario:

HCA Healthcare, un'azienda sanitaria con sede a Nashville, USA, utilizza i dati per trovare soluzioni innovative alle difficoltà che da tempo affliggono il settore. Il team interfunzionale dell'HCA Healthcare composto da medici, data scientist e professionisti dell'IT ha coniugato le funzionalità di Red Hat® OpenShift® Container Platform e Red Hat® Ansible® Automation Platform per creare SPOT (Sepsis Prediction and Optimization of Therapy), un sistema di analisi predittiva in tempo reale.

Il Boston Children's Hospital utilizza Red Hat OpenShift e i container Linux® per migliorare le sue funzionalità mediche e aumentare le abilità cognitive dei medici.

Per saperne di più sull'approccio open source di Red Hat e come questo può aiutare le organizzazioni che desiderano introdurre strategie di AI/ML, oppure per scoprire le altre soluzioni innovative per il settore sanitario, visita la pagina redhat.com/health.

 

Approfondisci

Articolo

Cos'è l'IA generativa?

L'IA generativa crea nuovi contenuti usando i modelli di deep learning il cui training è stato eseguito su set di dati enormi.

Articolo

Cos'è il machine learning?

Il machine learning è una tecnica che permette di addestrare i computer a individuare schemi, a eseguire analisi predittive e a imparare dall'esperienza, senza alcuna programmazione esplicita.

Articolo

Cosa sono i modelli di base?

Un modello di base è una particolare tipologia di modello di machine learning (ML) che viene addestrato per eseguire una specifica gamma di attività. 

Maggiori informazioni su AI/ML

Prodotti

Il portfolio di soluzioni incentrate sull'AI è una gamma di strumenti basati sull'intelligenza artificiale che permettono di addestrare, ottimizzare, impiegare, monitorare e gestire iniziative e modelli di AI/ML su Red Hat OpenShift.

Una piattaforma applicativa di livello enterprise che grazie a servizi verificati consente la distribuzione delle app su un'ampia gamma di infrastrutture. 

Red Hat Ansible Lightspeed with IBM watsonx Code Assistant è un servizio di IA generativa progettato da e per gli sviluppatori, gli operatori e gli autori dell'automazione Ansible. 

Risorse

ebook

Considerazioni essenziali per la creazione di un ambiente di AI e ML production ready

Resoconto analitico

The Total Economic Impact™ Of Red Hat Hybrid Cloud Platform For MLOps

Webinar

Getting the most out of AI with open source and Kubernetes