Oggi tutti parlano di intelligenza artificiale e in questa relazione vedremo perché una materia così difficile e anche lontana dalla logica a cui eravamo abituati ha fatto il suo ingresso prepotente in medicina. Qual è lo stato dell'arte oggi e quali sono le prospettive per il futuro? I cosiddetti sistemi intelligenti, che poi andremo a definire, hanno permeato negli ultimi anni ogni aspetto della nostra vita quotidiana. Anche se spesso non ce ne siamo accorti, dai elettrodomestici alle automobili, ai supermercati, internet, alle banche, alle industrie nel loro complesso.
Se nell'immaginario collettivo l'intelligenza artificiale è quella scienza che mira a costruire macchine in grado di simulare l'intelligenza umana, in realtà, quando parliamo dal punto di vista più tecnico, parliamo di sistemi intelligenti intendendo sistemi computerizzati sofisticati basati su algoritmi e ricorsivi e delle leggi matematiche speciali in grado di risolvere problemi complessi e creare dei modelli adatti alla loro comprensione..
Per quanto riguarda gli algoritmi ricorsivi, con ricorsioni si intende quel meccanismo per cui in ogni operazione viene immesso come input il risultato della precedente. Questa è una tecnologia informatica particolare che viene effettuata con il richiamo di specifici moduli che continuano a richiamarsi in continuazione, sino a che si raggiunge una situazione di stato stazionario. Il termine che troverete più utilizzato negli ultimi anni è quello di Machine Learning, ed è si tratta di sistemi che hanno questa proprietà di adattarsi da soli al problema da risolvere senza seguire un programma predefinito. Il loro ingresso in medicina risale agli anni '90 e di intelligenza artificiale si iniziò a parlare in medicina un po' tardivamente, dopo che molti altri settori ne avevano già beneficiato. Ma sappiamo che le innovazioni delle scienze di base in medicina arrivano spesso in ritardo e anche questo è stato il caso qui.
Vedete un famoso articolo in cui ci si chiedeva se questa comparsa sulla scena di questi sistemi avesse magari turbato il sonno di qualcuno. Ci troviamo di fronte a una materia che è un crocevia di molte discipline, che vanno dalla neuroscienza alla psicologia, alla scienza cognitiva, all'informatica, alla statistica, alla teoria decisionale e chi più ne ha più ne metta.
Come potete vedere in questa slide, nel mondo dei Machine Learning, osserviamo un capovolgimento logico rispetto ai sistemi di analisi tradizionale. Mentre l'analisi tradizionale ha una situazione dove ho dei dati e un modello già preconfezionato e attraverso il computer eseguo questa computazione ed ottengo dei risultati, con i Machine Learning System invece parto sempre dai dati, ma ai dati affianco i risultati già ottenuti in precedenza. E questo, grazie alla computazione, mi permette di ottenere un modello ottimo per quel tipo di dati. In questo modo, ottengo diversi salti di paradigma, ovvero né quantità né natura né complessità dei dati stessi sono un limite specifico. Inoltre, i dati guideranno i programmi che andranno successivamente ad analizzarli quando raccoglierò nuovi casi, nuovi dati.
Un aspetto molto importante in campo medico è che l'inferenza avviene a livello del singolo caso e non a livello di gruppo di appartenenza. Le condizioni migliori per applicare i Machine Learning Systems sono, come vedete da questa slide, la presenza di una notevole complessità, la disponibilità di molti dati e la scarsità di una teoria su questi dati. Di molti dati e la scarsità di una teoria su questi dati, il che è abbastanza frequente in medicina, specie nell'ambito delle malattie croniche.
Diciamo che non vale la pena di applicare questi sistemi quando ho un problema poco complesso o pochi dati a disposizione ed ho già una teoria molto forte. Qui vedete un diverso orientamento dei Machine Learning Systems rispetto all'analisi tradizionale. I cosiddetti sistemi esperti non apprendono, in realtà, ma applicano delle regole precodificate dagli esperti. Si chiamano così perché gli esperti introducono delle leggi, delle regole che loro devono seguire. E quindi ho una computazione top down, tipicamente. Prima, invece, l'approccio è contrario perché la computazione è bottom up: sono i dati stessi che generano il modello. E con questo meccanismo si può attuare un apprendimento attraverso l'esperienza.
In questa slide, possiamo vedere le assunzioni alla base del ragionamento dei Machine Learning Systems. Qui troviamo una serie di condizioni che sono veramente un capovolgimento rispetto a quello che succede con gli approcci statistici tradizionali. Le variabili oggetto di studio sono tutte dipendenti, non si distinguono più variabili indipendenti e variabili dipendenti come succede in statistica. Le relazioni tra queste variabili sono quasi sempre non lineari, quindi manca un presupposto per l'applicazione dei test statistici perché in biologia abbiamo visto che la non linearità fa da padrone. Questi dati vanno trattati in maniera dinamica e non come una singola operazione.
Quello che chiamiamo apprendimento è basato sugli errori e il sistema fa all'inizio dei cicli di apprendimento proprio come fa l'essere umano. Il focus non sono le variabili stesse, ma il soggetto portatore delle variabili. Quindi si cerca di creare una funzione implicita e attraversa orizzontalmente tutto il dataset con le variabili che appartengono a un determinato soggetto. E infine, l'apprendimento, che quasi sempre è molto buono apparentemente. In ogni caso, deve essere confermato con protocolli di validazione in cieco.
Prima di addentrarci nel mondo dell'intelligenza artificiale di questi Machine Learning Systems, soffermiamoci un attimo sul rapporto tra medico e dati.È stato un rapporto storicamente piuttosto conflittuale, come scriveva Facein, il padre dell'epidemiologia clinica, in questo articolo pubblicato su una clinica epidemiologica. Proprio negli anni in cui si iniziava a parlare di intelligenza artificiale, l'altro ieri, e qui è semplice, con l'altro ieri, con un'immagine emblematica di Alberto Lupo che interpretava il dottor Manson dal romanzo di Cronin “La Cittadella". Questo era proprio il paradigma del medico di famiglia, che era dotato di grande umanesimo, che compensava con questo la quasi totale assenza di dati e anche di farmaci, se vogliamo il target. Allora, era principalmente la diagnosi e la presa in carico del malato.
Se pensiamo invece a ieri, ci viene in mente la figura anche qui emblematica del grande Alberto Sordi che interpreta il medico della mutua. Questo tipo di medico comincia ad avere molti più dati a disposizione, ma ha anche troppi pazienti.