L’intelligenza artificiale è un’opportunità straordinaria in tutti i settori economici, al punto da essere considerata una “$6 Trillion Opportunity” da Morgan Stanley. Da qualche mese a questa parte, fa parlare di sé soprattutto la Generative AI, ovvero un segmento di AI il cui tratto distintivo è la capacità di creare informazioni e dati inediti in funzione di specifiche istruzioni (prompt) e di una knowledge base in costante crescita.
Un potenziale straordinario, ma attenzione ai rischi
Limitando l’osservazione al settore sanitario, Boston Consulting Group sottolinea l’enormità dei potenziali benefici di Generative AI, citando il “miglioramento della qualità delle cure, l’accessibilità e la convenienza, la riduzione delle disuguaglianze nella ricerca e nell’erogazione delle cure”, elementi che di per sé farebbero fare ai sistemi sanitari di tutto il mondo un sensibile passo avanti verso la propria missione. Gli analisti sottolineano quanto, a differenza di altre forme di AI, quella generativa richieda inoltre minori volumi di dati di training e possa “rivoluzionare l’assistenza sanitaria in modi che non abbiamo mai visto prima” (World Economic Forum).
L’entusiasmo nei confronti di Generative AI, giustificabile sotto diversi punti di vista, deve essere certamente razionalizzato in funzione della criticità della materia, degli inevitabili limiti degli attuali modelli, del bias che potrebbe condizionare decisioni e affermazioni automatizzate, da palesi errori e, cosa tutt’altro che secondaria, dalla necessità di costruire knowledge base con informazioni di dominio e di altissima qualità. Lo stesso World Economic Forum sostiene che l’approccio corretto debba essere cauto ma che, al tempo stesso, “momenti come questo non si presentano spesso”.
Le potenzialità di Generative AI in ambito healthcare sono tali da stimolare fortemente l’innovazione. E per quanto molte applicazioni rivoluzionarie siano tendenzialmente allo stato concettuale, gli use case non mancano e, soprattutto, non mancano implementazioni concrete molto promettenti.
Generativa AI in ambito diagnostico e terapeutico
Un segmento nel quale l’AI generativa potrebbe dare il meglio di sé è il Clinical Decision Making. Esempio eloquente è Paige.ai, un’azienda americana con una missione straordinaria: trasformare la diagnostica oncologica tramite l’impiego dell’Intelligenza Artificiale. L’azienda integra Generative AI per migliorare ulteriormente le capacità diagnostiche dei propri tool e per integrare automaticamente le informazioni generate dal sistema nelle cartelle cliniche elettroniche (EHR).
L’adozione di AI a fini diagnostici ripropone in ambito medico uno dei grandi temi del momento: il rapporto, che può essere sinergico, complementare o addirittura di contrasto, tra l’AI (in questo caso, generativa) e il professionista. Non che si tratti di un tema nuovo in ambito medico: da anni, si parla di progressi nell’ambito dell’interpretazione automatizzata dell’imaging radiologico (si considerino i temi della radiomica e della radiogenomica) ma come in tanti altri ambiti, assistere non significa sostituire, se non nei casi di assoluta routine e di totale certezza diagnostica. Generative AI interviene in questo scenario facendo un ulteriore passo avanti: si consideri allora Glass AI, un tool sperimentale che, grazie alla “combinazione di un modello linguistico LLM e di un database di conoscenze cliniche, può creare diagnosi e prescrizioni”. Il tool attinge dalle informazioni fornite dall’utente in linguaggio naturale, che di fatto è un elenco di sintomi, ma potrebbe fungere da interfaccia intelligente e naturale per sistemi più complessi a livello di fonti dati, tra cui l’imaging radiologico, gli esami di laboratorio, la storia clinica pregressa, dati demografici e via dicendo.
Il tema apre chiaramente un’infinità di interrogativi di diversa natura, cui verrà data risposta solo nel tempo: nel frattempo, i creatori di Glass AI sottolineano quanto il loro tool sia un “experimental product in development”. Vanno comunque considerate le straordinarie potenzialità di tool di questo tipo, soprattutto in uno scenario globale contraddistinto – secondo l’Organizzazione Mondiale della Sanità – da una carenza di personale medico quantificabile in 10 milioni di operatori entro il 2030, soprattutto nei Paesi a basso e medio reddito.
Proactive Care e assistenza amministrativa
Un filone molto interessante è quello dell’assistenza proattiva attraverso sistemi di monitoraggio, come i wearable indossati da milioni di persone. Anche in questo caso, l’ambito di applicazione di Generative AI è quello del trattamento proattivo e personalizzato in funzione di parametri rilevati in tempo reale da dispositivi di uso comune. La prospettiva di usare algoritmi di AI per prevedere malattie cardiovascolari è molto concreta, e a questa si potrebbe collegare la possibilità di generare raccomandazioni e trattamenti personalizzati, così da passare, appunto, a un modello di proactive care assistito dall’AI.
Molto interessante è poi il tema dell’assistenza ai task amministrativi cui il personale clinico dedica buona parte del proprio tempo e, inevitabilmente, lo sottrae ai pazienti. Parliamo di quasi 6 ore al giorno trascorse sviluppando e comunque “interagendo” con le cartelle cliniche. In quest’ambito, la potenza di Generative AI può essere sfruttata al massimo, e non stupisce che molte aziende stiano sviluppando soluzioni in grado di abbattere il tempo trascorso da medici e infermieri su pratiche di routine. Secondo DeepScribe, è possibile risparmiare anche di 3 ore al giorno.
Le prospettive di generative AI in ambito farmaceutico
Uno degli ambiti più promettenti dell’intelligenza artificiale è la scoperta e lo sviluppo di nuovi farmaci. Secondo BCG, in questo momento ci sono 15 farmaci sviluppati con un approccio AI-First in fase di sperimentazione.
Con queste premesse, è palese l’interesse dell’industry nei confronti dell’AI generativa. A partire addirittura da ChatGPT: un interessante articolo di Labiotech fa notare come l’AI “generalista” di Open AI possa comunque semplificare il processo di discovery mediante l’accesso rapido alle fonti dati, l’analisi delle informazioni e suggerimenti circa la reingegnerizzare dei composti, l’identificazione di mutazioni e altro ancora.
Per definizione, Generative AI crea nuovi dati, e può quindi essere impiegata con successo per la generazione di molecole con proprietà specifiche. Il fine potrebbe non essere soltanto quello di “colpire” condizioni particolari, ma anche di garantire maggiore sicurezza al farmaco risultante. Infine, ma non per importanza, la capacità generativa di AI consente di creare e di sintetizzare composti chimici attualmente sconosciuti, con tutte le potenziali (e benefiche) conseguenze del caso.
