Sta crescendo l’interesse dei medici per l’utilizzo di strumenti basati sull’AI grazie all’ascesa del deep learning. I dati sanitari, infatti, riguardano informazioni inerenti alla salute del paziente, come le diagnosi, i referti patologici o le informazioni inerenti all’utilizzo delle cure sanitarie e, tradizionalmente, tutte queste informazioni sono formalizzate con una struttura analitica per facilitare la lettura e l’analisi da parte dei medici e dei ricercatori.
Tuttavia, l’ascesa delle applicazioni di deep learning nel settore sanitario ha cambiato il paradigma, in quanto consento agli utenti di utilizzare testi, immagini e audio per estrarre pattern da informazioni non strutturate.
I dati non strutturati (come le note cliniche, immagini mediche, scansioni documenti ecc.), un tempo considerati di scarso valore e troppo disordinati per essere utilizzabili, sono ora diventati fondamentali per l’addestramento di potenti modelli di AI. Le note cliniche in testo libero, le immagini a diapositiva intera delle cellule tumorali e le scansioni radiologiche contengono informazioni che possono insegnare ai sistemi di AI ad assistere i medici in aree come la medicina di precisione, la previsione delle malattie e il supporto alle decisioni cliniche.
Possiamo identificare una serie di dati sanitari utili allo sviluppo di modelli di AI:
- dati delle cartelle cliniche: è possibile utilizzare modelli di intelligenza artificiale per poter esaminare i referti delle cartelle cliniche dei pazienti per stimare l’insorgenza di eventuali patologie o avanzamento delle stesse;
- imaging data: questi dati sono generalmente creati da radiografie, ecografie o risonanze magnetiche, i quali forniscono dettagli visivi delle strutture anatomiche e sono utili per addestrare modelli di AI per rilevare malattie, classificarne gli stadi e monitorare la progressione e la risposta ai trattamenti ai quali i pazienti vengono sottoposti;
- dati di patologia: l’AI ha il potenziale di riconoscere lievi cambiamenti e schemi nella struttura cellulare che potrebbero sfuggire all’occhio umano, permettendo diagnosi più precoci, monitoraggio continuo e raccomandazioni di trattamento personalizzate, specialmente quando i dati di patologia digitale sono integrati con altri tipi di dati;
- dati genomici: si riferiscono alle informazioni derivanti dallo studio del genoma e sono cruciali per comprendere le caratteristiche genetiche di un individuo, le sue predisposizioni a determinate malattie e la risposta ai trattamenti. I modelli di AI possono essere applicati ai dati genomici integrati con i dati generali di salute per suggerire cambiamenti nello stile di vita per coloro che sono maggiormente a rischio di malattie cardiache;
- dati di laboratorio; sono generati quando un laboratorio esegue un test diagnostico e genera un risultato per il paziente, sono oggettivi e forniscono misurazioni quantitative degli aspetti fisiologici della salute di un paziente e sul monitoraggio di eventuali patologie in quanto forniscono una visione temporale della gestione e della progressione della malattia.