L'intelligenza artificiale generativa in sanità: Casi d'uso e applicazioni nel mondo reale

Generazione di dati

Le IA, come i chatbot di IA medica, hanno bisogno di serie di dati ampie e diversificate per imparare, ma le leggi sulla privacy dei pazienti, come l'HIPAA, rendono difficile la condivisione di dati clinici reali tra le varie istituzioni. È qui che entra in gioco l'IA generativa per la generazione di dati sintetici.

Invece di accedere alle cartelle cliniche dei pazienti reali, i ricercatori utilizzano modelli generativi addestrati su serie di dati non identificati. Questi modelli apprendono i modelli di progressione delle malattie, la correlazione tra sintomi e risultati di laboratorio e l'influenza dei trattamenti sui risultati. Quindi, generano cartelle cliniche interamente sintetiche che hanno l'aspetto e il comportamento di dati reali, ma non sono legate a nessun individuo.

Supponiamo che un ospedale voglia addestrare un modello di intelligenza artificiale per individuare i primi segni di sepsi. Ha solo 200 casi. Non sono sufficienti. Quindi il modello di intelligenza artificiale analizza quei 200 casi reali e genera migliaia di casi sintetici:

• Alcuni mostrano i sintomi tipici della sepsi.
• Altri imitano combinazioni rare, come febbre ritardata e parametri vitali anormali tre giorni dopo.
• Alcuni simulano anche pazienti con sintomi fuorvianti, aiutando a testare i casi limite.

Questi record sintetici non appartengono a nessuno, ma si comportano come dati reali.

Questo sblocca nuovi modi per testare idee ed esplorare scenari "what if" in medicina senza mettere a rischio la privacy dei pazienti.

Diagnosi medica

Negli Stati Uniti, ospedali come la Mayo Clinic e il Mass General Brigham stanno inserendo i dati anonimizzati dei pazienti, come risonanze magnetiche, TAC, risultati di laboratorio e note cliniche, negli strumenti diagnostici dell'intelligenza artificiale. 

In effetti, il 65% degli ospedali statunitensi utilizza già modelli di IA predittiva in qualche parte dei propri flussi di lavoro diagnostici.

Un settore che ha visto un'adozione particolarmente rapida è quello della radiologia, dove l'intelligenza artificiale aiuta i medici a superare i limiti dell'occhio umano. Gli algoritmi sono addestrati a ricostruire immagini sfocate e a evidenziare aree problematiche come tumori o fratture.

Ma le applicazioni di maggior impatto non si fermano a una singola immagine. I modelli linguistici di grandi dimensioni possono combinare dati provenienti da più fonti, dai referti radiologici alle note del medico, dai valori di laboratorio alle prescrizioni e ai parametri vitali del paziente, per costruire un quadro più completo.

Immaginate una cartella clinica che recita: "Lieve mancanza di respiro da due settimane, nuovo respiro affannoso, nessuna storia di asma".

Un assistente AI potrebbe riconoscere un potenziale modello di insufficienza cardiaca precoce. Quindi controlla i valori di laboratorio recenti del peptide natriuretico di tipo B (utilizzato per rilevare lo stress cardiaco) e l'anamnesi dei farmaci. Se il paziente ha più di 65 anni, il sistema potrebbe considerare l'insufficienza cardiaca più probabile dell'asma e segnalarla al medico.

Scoperta di farmaci

Nel 2020, gli scienziati del MIT e di Harvard hanno utilizzato l'intelligenza artificiale generativa per identificare un nuovo antibiotico, l'alicina, in grado di uccidere i batteri resistenti ai farmaci. 

Questo tipo di scoperta dell'intelligenza artificiale sta cambiando il modo in cui i chimici e i ricercatori farmaceutici affrontano una delle parti più costose e lunghe della medicina.

Lo sviluppo di un singolo farmaco, compresi i costi dei candidati falliti, può costare da 1 a 2 miliardi di dollari USD Tradizionalmente, si tratta di un gioco di numeri: vagliare migliaia di composti, eseguire prove su prove e sperare che uno di essi vada a segno. 

L'intelligenza artificiale generativa rende il processo molto più veloce. I ricercatori iniziano con una richiesta di scoperta di un farmaco come "Progettare una molecola che inibisca le mutazioni KRAS G12C nel cancro del polmone, ma che non influisca sulle cellule sane". 

Queste indicazioni vengono inserite in un modello generativo addestrato su database di strutture chimiche, interazioni proteiche ed effetti collaterali noti. Nel giro di poche ore, il modello propone strutture molecolari completamente nuove che soddisfano questi criteri, alcune ispirate a composti esistenti, altre completamente nuove. 

I ricercatori possono quindi simulare il modo in cui queste molecole si legano alle proteine bersaglio, restringendo l'elenco prima ancora di eseguire un esperimento di laboratorio.

Funziona anche nell'altro senso. Se i ricercatori inseriscono i dati di espressione genica di pazienti malati, il modello può dedurre quale tipo di composto potrebbe risolvere la disfunzione sottostante, anche se quel composto non esiste ancora.

Documentazione clinica 

Invece di passare ore a spulciare le cartelle cliniche elettroniche (EHR), i medici possono ora ricevere riepiloghi istantanei che mettono in evidenza informazioni chiave come diagnosi, farmaci, tendenze di laboratorio e storia del trattamento.

Questi riepiloghi aiutano gli operatori ad aggiornarsi più rapidamente, soprattutto durante i cambi di turno o in presenza di un elevato volume di pazienti.

Oltre a migliorare l'accesso alle informazioni, questi strumenti vengono utilizzati anche per automatizzare la documentazione. Spesso i medici passano più tempo a scrivere note che a curare i pazienti. Ma con i LLMs, i medici possono dettare o caricare i dettagli del paziente, ricevendo in cambio una bozza di nota di avanzamento o di riassunto della dimissione. Il passo finale è una rapida revisione e approvazione.

Epic Systems, uno dei maggiori fornitori di EHR negli Stati Uniti, sta sperimentando attivamente la generazione di note assistita dall'intelligenza artificiale in collaborazione con Microsoft. In un altro studio, i primi risultati mostrano che i medici risparmiano in media 3,3 ore a settimana con la documentazione assistita dall'intelligenza artificiale. 

Questi sistemi introducono anche un livello di controllo della sicurezza clinica. I modelli di intelligenza artificiale segnalano potenziali problemi, come interazioni tra farmaci e allergie o istruzioni contraddittorie nascoste nella cartella clinica. Pur non prendendo decisioni, agiscono come un secondo paio di occhi, riducendo il rischio di errori medici.

Medicina personalizzata

L'IA generativa può prevedere come gli individui risponderanno ai trattamenti analizzando la loro genetica e la loro storia medica. 

Addestrati su grandi insiemi di dati, i modelli di intelligenza artificiale individuano schemi sottili, come il modo in cui una specifica variante genetica influisce sul metabolismo dei farmaci, e utilizzano questa conoscenza per consigliare soluzioni su misura.

Trattamento della salute mentale

Lo stesso principio dell'utilizzo dell'IA generativa per modellare risposte personalizzate viene esplorato anche nel campo della salute mentale. 

Aziende come Woebot Health stanno sviluppando strumenti di terapia cognitivo-comportamentale (CBT) guidati dall'intelligenza artificiale. Questi sistemi analizzano le interazioni precedenti per creare dialoghi terapeutici personalizzati e simulano i fattori di ansia del mondo reale, come partecipare a una festa affollata o ricevere critiche sul lavoro. Quindi, guidano il paziente attraverso strategie di coping in tempo reale, offrendo continuità tra le sessioni di terapia.

Educazione e formazione medica

La formazione medica tradizionale si è sempre basata su studi di casi statici e pazienti standardizzati. Sono utili, ma non preparano completamente gli studenti all'imprevedibilità del lavoro clinico reale. 

L'IA generativa cambia le cose introducendo nuove simulazioni che si adattano a come ogni studente risponde e impara.

Virti, un'azienda con sede nel Regno Unito, ha sviluppato "pazienti virtuali" dotati di intelligenza artificiale per migliorare la formazione clinica a distanza. In Virti, uno studente potrebbe dover:

• Dare una cattiva notizia a un paziente virtuale malato di cancro
• Calmare un familiare arrabbiato che chiede risposte
• Spiegare una diagnosi complicata in termini semplici

I pazienti virtuali rispondono in tempo reale a ciò che lo studente dice o fa, creando un'esperienza più realistica. 

Il paziente virtuale di Virti valuta anche la chiarezza e l'empatia con cui il tirocinante comunica. Se uno studente dice qualcosa come "metastatico", il sistema potrebbe suggerire di riformularlo come "il cancro si è diffuso" per facilitare la comprensione del paziente.

Virti tiene anche traccia delle prestazioni degli studenti attraverso le simulazioni, fornendo agli istruttori dashboard che evidenziano le aree in cui i discenti potrebbero avere difficoltà, come la sovraprescrizione di antibiotici o la mancanza di diagnosi critiche.

Questa tecnologia AI sta diventando sempre più popolare nella pratica. Durante la pandemia COVID-19, la tecnologia di Virti ha formato oltre 300 medici presso il Cedars-Sinai Hospital.

Educazione del paziente

Per quanto riguarda l'educazione dei pazienti, l'IA generativa consente un'educazione personalizzata analizzando le condizioni del paziente e la sua storia medica. 

Applicazioni come OneRemission utilizzano chatbot di intelligenza artificiale per guidare i sopravvissuti al cancro nelle cure post-trattamento. Se un paziente chiede: "Posso mangiare questo cibo con le mie medicine?", il chatbot fornisce una risposta diretta basata sulla storia medica del paziente. 

Questa interazione va oltre le conversazioni statiche. Un paziente con diabete appena diagnosticato, ad esempio, potrebbe iniziare con le nozioni di base: come controllare la glicemia, quando prendere l'insulina, cosa mangiare. Poi potrebbe chiedere: "Cosa succede se salto una dose?" o "Posso mangiare frutta?". L'intelligenza artificiale risponde subito con un linguaggio semplice e non tecnico.

L'intelligenza artificiale va incontro alle persone dove si trovano. Se qualcuno ha una scarsa conoscenza della salute o parla una lingua diversa, l'intelligenza artificiale adatta il modo in cui spiega le cose. Invece di dire "controlla il glucosio", potrebbe dire "controlla la glicemia con questo dispositivo. Ecco come fare".

Per mantenere i pazienti in carreggiata, i chatbot AI inviano anche promemoria tempestivi come "Prendi subito la pillola delle 16" o "Il tuo appuntamento di controllo è domani alle 10". 

Funzioni di back-office

Gli ospedali possono essere altamente tecnologici in sala operatoria, ma dietro le quinte, molti funzionano ancora con fogli di calcolo, PDF scansionati e lunghe email. I reparti HR, finanza e operazioni spesso si affidano a sistemi obsoleti che rendono inefficienti anche i flussi di lavoro di base.

L'IA generativa sta contribuendo a modernizzare queste funzioni di back-office trasformando i processi manuali in sistemi automatizzati.

Prendiamo la finanza. Invece di far esaminare manualmente ogni fattura al personale, alcuni ospedali utilizzano l'intelligenza artificiale per scansionare gli ordini di acquisto, confrontarli con i contratti dei fornitori, evidenziare le incongruenze, come i doppi addebiti, e inoltrarli all'approvatore corretto. 

Nel settore delle risorse umane, l'intelligenza artificiale alimenta i chatbot interni che rispondono a domande del personale come "Dove posso trovare la politica sulle PTO?". Invece di aspettare ore (o giorni) che l'IT o le risorse umane rispondano, i dipendenti ottengono risposte istantaneamente, anche alle 2 del mattino.

Questi strumenti dietro le quinte possono non essere visibili come i modelli diagnostici o gli assistenti virtuali, ma catturano gli errori e liberano il personale per concentrarsi su lavori di maggiore impatto. 

E gli ospedali non sono l'unica parte del sistema sanitario ad affrontare flussi di lavoro obsoleti. I fornitori di servizi assicurativi utilizzano chatbot con intelligenza artificiale per gestire attività come l'aggiornamento delle polizze e l'elaborazione delle richieste di indennizzo, offrendo un chiaro modello di come gli ospedali possano portare la stessa efficienza alle proprie operazioni.

Chiamate di follow-up automatizzate per i vaccini con l'IA vocale

Durante il lancio del vaccino COVID-19 in Italia, i team della sanità pubblica avevano bisogno di un modo per monitorare gli effetti collaterali di migliaia di pazienti. Affidarsi a controlli di persona o a telefonate non era scalabile e i ritardi rischiavano di far perdere le reazioni più gravi.

engineon ha costruito un bot basato sulla voce utilizzando Botpress per chiamare proattivamente i pazienti, chiedere informazioni sui sintomi post-vaccino e registrare le risposte, il tutto nel rispetto delle leggi sulla privacy dell'UE. 

I dati sono stati inseriti direttamente nel sistema di analisi di Engineon, aiutando i funzionari sanitari a rispondere rapidamente agli eventi avversi.

Il risultato è stato un'accuratezza di risposta del 95%, un risparmio annuo di 80.000 euro e oltre 6.000 ore di lavoro liberate. 

Assistente clinico a mani libere per medici

Il Vanderbilt University Medical Center si è trovato ad affrontare un problema crescente: il burnout degli operatori. 

La documentazione e il lavoro amministrativo consumavano tempo e facevano lievitare i costi del lavoro. Per alleggerire l'onere, la dottoressa Yaa Kumah-Crystal ha guidato uno sforzo per introdurre strumenti di intelligenza artificiale a comando vocale nei flussi di lavoro clinici quotidiani.

In collaborazione con Epic Systems, il team ha sviluppato V-EVA: un assistente vocale che consente ai medici di accedere alle informazioni chiave dei pazienti chiedendo a voce. Invece di leggere le cartelle cliniche o di ascoltare lunghe risposte audio, gli operatori vedono sullo schermo riepiloghi immediati e adattati alle loro esigenze.

I medici ora usano i comandi vocali per ordinare esami di laboratorio e richiedere aggiornamenti a mani libere. Con il miglioramento dell'intelligenza artificiale, si prevede che possa fare ancora di più, come ascoltare le conversazioni e anticipare le esigenze cliniche.

Chatbot AI per gestire le domande sulla salute pubblica su larga scala

Durante l'epidemia di COVID-19 in Quebec, il Ministero della Salute e dei Servizi Sociali (MSSS) ha dovuto affrontare un'ondata di richieste di informazioni da parte del pubblico, dai sintomi ai test, dagli aiuti finanziari alle norme di sanità pubblica. I call center non riuscivano a tenere il passo.

Per rispondere rapidamente, MSSS ha implementato un chatbot AI Botpress sole due settimane. È stato addestrato per rispondere ad alti volumi di domande relative alla COVID, è disponibile 24 ore su 24, 7 giorni su 7, ed è sempre aggiornato sulle ultime linee guida sanitarie.

COVID-19 Linea diretta di triage gestita da un bot vocale AI

Durante la prima ondata di COVID-19, il Mass General Brigham ha lanciato una linea telefonica diretta per aiutare i pazienti con domande. Ma nel giro di poche ore il volume delle chiamate è esploso. 

Per risolvere questo problema, il team ha costruito un assistente vocale dotato di intelligenza artificiale e addestrato ai protocolli di screening del CDC. Il bot poneva domande sui sintomi, proponeva i passi successivi e indirizzava i pazienti verso un'assistenza urgente, un medico di base o il pronto soccorso.

Scaricando le chiamate di routine, il bot di intelligenza artificiale ha ridotto drasticamente i tempi di attesa e ha aiutato migliaia di pazienti a ricevere più rapidamente le indicazioni. 

Oggi, lo slancio iniziale nell'utilizzo dell'IA continua: 1 medico su 10 del Mass General Brigham utilizza l'IA generativa, ora per aiutare la documentazione.

Strumento vocale alimentato dall'intelligenza artificiale per persone con disabilità

Vocable è un'applicazione gratuita che aiuta le persone con difficoltà di linguaggio a comunicare utilizzando i movimenti della testa, del viso o degli occhi per generare risposte naturali e basate sull'intelligenza artificiale.

La prima versione utilizzava la fotocamera frontale di un dispositivo mobile per tracciare i movimenti della testa e del viso, consentendo agli utenti di selezionare parole e frasi sullo schermo. Si trattava di un grande passo avanti rispetto ai tradizionali dispositivi AAC (comunicazione aumentativa e alternativa), che spesso costano oltre 15.000 dollari e offrono funzionalità limitate.

Ma il risultato era ancora meccanico. Per cambiare questa situazione, il team ha integrato ChatGPT. Ora Vocable capisce cosa dice un assistente e genera risposte intelligenti in tempo reale.

Su Apple Vision Pro, l'esperienza si spinge ancora oltre. Gli utenti possono navigare nell'interfaccia con il tracciamento degli occhi in una visualizzazione completamente immersiva.

Il risultato è uno strumento di comunicazione moderno per i sopravvissuti all'ictus, le persone affette da SLA o SM, i pazienti non verbali e altre persone che hanno difficoltà a parlare.

1. Definire gli obiettivi

Non costruite un chatbot solo per averne uno. Decidete esattamente cosa deve fare.

• Deve prenotare gli appuntamenti?
• Inviare promemoria per le prescrizioni?
• Triage dei sintomi e indirizzamento dei pazienti alle cure?

Ogni obiettivo porta a caratteristiche, integrazioni e decisioni progettuali diverse. Ad esempio, se si desidera un triage dei sintomi, è necessario un agente LLM che comprenda il linguaggio naturale e possa gestire input aperti come: "Ho mal di gola e febbre da due giorni - devo venire qui?".

Nessun obiettivo chiaro = bot disordinato senza un valore chiaro.

2. Scegliere la giusta piattaforma di intelligenza artificiale

Non tutti i costruttori di chatbot funzionano per gli ospedali o le cliniche. Scegliete una piattaforma costruita per l'assistenza sanitaria o facilmente adattabile ad essa. Per iniziare, ecco 9 dei migliori costruttori di chatbot AI.

Cercate flussi di lavoro personalizzabili, in modo da poter definire la logica per il triage, i promemoria o l'accettazione, e integrazioni con EHR, portali per i pazienti e strumenti di pianificazione.

Confermate inoltre che supporta la conformità (ad es. HIPAA) e la scalabilità. Non volete dover ricostruire tutto quando il vostro pilota si espande. 

Assicuratevi inoltre che la piattaforma scelta includa solide misure di sicurezza per i chatbot, come la crittografia dei dati e i controlli di accesso basati sui ruoli. 

3. Integrazione con i sistemi principali

Un chatbot indipendente non è di grande aiuto. Per ottenere un valore reale dall'implementazione di un chatbot, è necessario integrarlo con i sistemi principali in modo che possa effettivamente fare qualcosa, ad esempio:

• Prelevare i dati dei pazienti dall'EHR per personalizzare le interazioni
• Controllare la disponibilità degli appuntamenti in tempo reale
• Gestire le domande di fatturazione collegandosi agli strumenti per le assicurazioni e le richieste di rimborso.
• Tenere traccia dei dati di utilizzo tramite piattaforme di analisi come Looker o Tableau.

Senza integrazione, il vostro chatbot è solo un'elegante FAQ.

4. Costruire e testare

Progettate il flusso della conversazione come se fosse un processo clinico. Tracciate una mappa:

• Cosa dovrebbe dire il bot per primo?
• Quali sono le domande di follow-up da porre?
• Come gestisce gli input confusi o l'escalation?

Una volta che il flusso è chiaro, costruite il vostro chatbot.

5. Reiterare

Infine, testatelo in modo iterativo.

Simulare le chat con i pazienti, individuare i punti deboli e risolverli. Ottenete il feedback del personale di prima linea e degli utenti reali. Regolate il tono e le risposte finché non funziona come previsto.

I miglioramenti non finiscono dopo il lancio. I migliori bot si evolvono con l'uso nel mondo reale.

Come faccio a sapere se la mia organizzazione sanitaria è pronta a implementare l'IA generativa?

L'organizzazione sanitaria è pronta a implementare l'IA generativa se ha problemi ben definiti da risolvere, come la riduzione dei tempi di documentazione o il miglioramento dell'analisi dei dati, e se il team è aperto all'adozione di nuovi strumenti digitali. Prontezza significa anche disporre di sistemi di dati sicuri (come gli EHR) con cui l'IA possa integrarsi, e di un consenso da parte della dirigenza a sperimentare piccoli progetti di IA mirati prima di scalare.

Quali leggi sulla privacy dei dati dei pazienti devo considerare quando utilizzo l'IA generativa in ambito sanitario?

Quando si utilizza l'IA generativa nel settore sanitario, è necessario rispettare le leggi sulla privacy dei pazienti, come l'HIPAA negli Stati Uniti (o il GDPR in Europa), che regolano la conservazione e la condivisione delle informazioni sanitarie protette (PHI). Ciò significa che tutti gli strumenti di IA implementati devono supportare la crittografia, i controlli di accesso rigorosi, i registri di audit e i processi di de-identificazione dei dati se vengono utilizzati per l'addestramento dei modelli o per l'analisi.

L'IA generativa è abbastanza sicura per il processo decisionale clinico o dovrebbe essere utilizzata solo per compiti amministrativi?

L'intelligenza artificiale generativa non è ancora sufficientemente affidabile per sostituire il giudizio clinico e dovrebbe essere utilizzata come strumento di assistenza piuttosto che come fattore decisionale nella cura dei pazienti. È sicura per le attività amministrative, come la stesura di note e la gestione delle domande di routine dei pazienti, ma le diagnosi mediche e i piani di trattamento devono sempre rimanere sotto la supervisione umana per evitare errori.

Quanto tempo ci vuole in genere per implementare un chatbot AI in un ambiente sanitario?

L'implementazione di un chatbot AI in un ambiente sanitario può richiedere da poche settimane a diversi mesi, a seconda della complessità. Un bot di base per le domande frequenti può essere lanciato in 2-4 settimane, mentre un chatbot sofisticato che si connette agli EHR, gestisce conversazioni conformi alla normativa HIPAA o esegue il triage può richiedere 2-6 mesi per lo sviluppo, i test e le approvazioni di conformità.

Esistono specialità mediche specifiche in cui l'IA generativa è più utile?

Sì, l'intelligenza artificiale generativa è particolarmente utile in specialità come la radiologia (per l'interpretazione delle immagini e la stesura dei referti), la patologia (per la sintesi dei risultati), l'oncologia (per la sintesi di piani di trattamento complessi), la salute mentale (per i bot di terapia conversazionale) e in settori amministrativi come l'assistenza primaria, dove aiuta a generare la documentazione clinica e a gestire in modo efficiente la comunicazione con i pazienti.