Lo stato della data science e del machine learning in sanità
Man mano che la sanità avanza con la digitalizzazione e la trasformazione digitale, è diventata uno dei settori meglio attrezzati per massimizzare l'uso di data science e machine learning. Dal 2015, gli investimenti di venture capital nelle aziende di AI in ambito sanitario hanno registrato un aumento di 22 volte solo in Europa (McKinsey).
Data science e machine learning stanno trasformando la sanità in diversi ambiti, dalla cura del paziente al farmaceutico e oltre. Ma scalare l'impatto della data science in sanità richiede un'attenta considerazione di molte sfide, tra cui conformità, governance e supervisione dei dati, cultura dei dati e disponibilità di competenze sui dati.
L'opportunità della data science e del machine learning in sanità
Oggi il settore sanitario è maturo per il machine learning e la data science grazie all'elevato volume di dati sanitari e ai numerosi casi d'uso applicabili per i risultati di salute pubblica. Secondo Statista, la quantità di dati generati ogni anno dall'industria sanitaria globale è di circa 2.314 exabyte (1 exabyte = 1 miliardo di gigabyte), segnando un aumento di 15 volte della quantità di dati generati nella sanità globale dal 2013.
I benefici per la società in termini di migliori risultati di salute della popolazione sono innumerevoli. Deloitte stima che le efficienze ottenute grazie ai casi d'uso di data science e machine learning possano salvare tra 380.000 e 403.000 vite solo in Europa. Data science e machine learning possono essere integrati lungo tutto il percorso del paziente, dalla prevenzione e individuazione precoce, alla diagnosi, al trattamento e alla gestione della cura.
Per esempio, le persone possono sfruttare wearable e applicazioni personalizzate per la rilevazione precoce e la prevenzione delle malattie, oppure sperimentare tempi di attesa più brevi grazie all'analisi di immagini mediche basata su deep learning. Anche l'area della ricerca e sviluppo si sta preparando a creare enormi miglioramenti negli esiti di salute, dalla scoperta automatizzata di farmaci ai progressi di DeepMind sul ripiegamento delle proteine con il suo algoritmo AlphaFold.
I fornitori di servizi sanitari, in vari ambiti, possono inoltre ottenere enormi vantaggi in termini di risparmio sui costi e miglioramento delle efficienze. Per esempio, l'operativizzazione della data science e del machine learning può far risparmiare al sistema sanitario europeo tra 170,9 e 212,4 miliardi di euro all'anno (Deloitte). I guadagni di efficienza possono spaziare dalle aziende farmaceutiche che migliorano i flussi della supply chain, ai fornitori di assicurazioni che ottimizzano la spesa commerciale prevedendo l'abbandono dei clienti, fino all'incremento della produttività tramite automazione dei flussi di lavoro in diversi ambiti.
Casi d'uso di data science e machine learning in sanità
Cura del paziente
I casi d'uso di data science e machine learning possono migliorare gli esiti di salute per i singoli e automatizzare attività amministrative che richiedono tempo per i professionisti sanitari.
Gestione degli appuntamenti: Con l'uso del machine learning e dell'intelligenza artificiale basata su regole, i fornitori di servizi sanitari possono ottimizzare gli esiti per i pazienti e ridurre la cattiva gestione delle risorse con una gestione degli appuntamenti automatizzata.
Diagnosi precoce e prevenzione: Le applicazioni di monitoraggio della salute e i wearable sfruttano il machine learning e l'analisi descrittiva per fornire informazioni importanti su vari aspetti della salute di una persona. Questi strumenti possono mettere le persone in condizione di prendere decisioni basate sui dati riguardo alla propria salute e di diagnosticare precocemente eventuali malattie.
Triage dei pazienti: Utilizzando applicazioni di valutazione dei sintomi basate su machine learning, i fornitori possono effettuare il triage dei pazienti in base a necessità e urgenza. Questo può portare a drastici cali dei tempi di attesa per i pazienti e a grandi efficienze per i fornitori.
Imaging medico e diagnostica: Probabilmente uno dei casi d'uso più importanti per data science e machine learning in sanità (McKinsey), l'imaging medico e la diagnostica promettono un'ampia gamma di efficienze e migliori esiti di salute a tutti i livelli. Con l'uso del deep learning, i fornitori possono automatizzare i flussi di lavoro e offrire valore più rapidamente ai pazienti.
Processi e gestione aziendale
Come in qualsiasi settore, le applicazioni di data science e machine learning in sanità coprono una serie di casi d'uso per migliorare l'efficienza operativa e l'esperienza del cliente.
Robotic process automation: Utilizzando una combinazione di machine learning e intelligenza artificiale basata su regole, i fornitori in diversi ambiti possono snellire i flussi di lavoro e digitalizzare i processi.
Abbandono dei clienti: I fornitori di assicurazioni possono usare il machine learning per prevedere quali clienti abbandoneranno, il che può aiutarli a trattenere i clienti e ottimizzare la spesa di marketing.
Chatbot: Con l'uso dei chatbot, dai reparti ospedalieri alle agenzie assicurative, è possibile offrire un servizio clienti migliore e un valore più rapido per gli utenti dei servizi sanitari.
Business Intelligence: La business intelligence combina analisi aziendale, manipolazione dei dati e visualizzazione per aiutare le organizzazioni a prendere decisioni più basate sui dati. Sfruttando le informazioni ricavate dai dati, i fornitori possono ottenere maggiore visibilità sulle operazioni finanziarie, automatizzare i report di conformità e molto altro (Villanova University).
Farmaceutica
Con la scoperta di farmaci basata su AI e una migliore gestione della supply chain, le aziende farmaceutiche possono sfruttare data science e machine learning per offrire più valore alle persone.
Drug discovery: Secondo l'AI Index Report 2021, le startup di scoperta di farmaci basata su AI hanno ricevuto i maggiori investimenti privati in AI tra tutti i settori. Le promesse della scoperta di farmaci basata su ML stanno iniziando a dare frutti e potrebbero portare a enormi miglioramenti nei risultati di salute della popolazione.
Pianificazione della supply chain: L'uso di data science e machine learning nella pianificazione della supply chain può ridurre il time-to-production, accorciare i tempi di attesa per le consegne dei vaccini e ottimizzare la spesa della supply chain per le aziende farmaceutiche.
Previsioni di eccellenza: Utilizzando strumenti di previsione da semplici a complessi, le aziende farmaceutiche possono sfruttare i dati sulla salute della popolazione per prevedere domanda e offerta di determinati farmaci, oltre a ottimizzare i processi aziendali a livello finanziario, marketing, vendite e altro.
Migliorare i processi delle sperimentazioni cliniche: L'uso di data science e wearable può ridurre i rischi per i pazienti monitorando e segnalando automaticamente eventuali effetti avversi durante le sperimentazioni cliniche. Inoltre, applicazioni basate su machine learning possono accelerare i trial valutando l'idoneità dei pazienti, effettuando il pre-screening e la randomizzazione.
Sfide e rischi nell'operativizzare data science e machine learning in sanità
Qualità dei dati e infrastruttura
Una sfida significativa per qualsiasi organizzazione che cerchi di rendere operativa e scalabile la data science e il machine learning è abilitare un'infrastruttura dati moderna, sicura, centralizzata e ricercabile (DataCamp). Il problema è particolarmente vero per le organizzazioni sanitarie, dove i dati sono ancora in fase di digitalizzazione e la creazione di grandi dataset è ostacolata dalla mancanza di interoperabilità e dal disallineamento sulla qualità tra i fornitori (McKinsey).
Conformità e governance
Poiché le organizzazioni sanitarie raccolgono dati altamente preziosi e sensibili, governance e conformità sono aspetti centrali per rendere operativi data science e machine learning in sanità (Collibra). Sebbene le normative differiscano tra le regioni (McKinsey), il settore sanitario presenta uno degli scenari regolatori più complessi. Per esempio, negli Stati Uniti l'Health Insurance Portability and Accountability Act (HIPAA) stabilisce standard nazionali per proteggere e gestire i dati sanitari dei pazienti.
Queste normative specifiche per la salute sono solo un aspetto del complesso panorama regolatorio del settore sanitario. Le leggi sulla protezione dei dati come il General Data Protection Regulation (GDPR) nell'Unione Europea e il California Consumer Protection Act (CCPA) creano ulteriore complessità per le organizzazioni sanitarie quando costruiscono e collegano dataset eterogenei per applicazioni di data science e machine learning. Di conseguenza, creare una solida governance e conformità dei dati è essenziale per rendere operativi data science e machine learning in sanità.
Competenze
Abilitare l'infrastruttura dati e raggiungere un consenso sui quadri normativi sono fondamentali per rendere operativi data science e machine learning in sanità. Ma la minaccia più significativa all'adozione di queste tecnologie in sanità è il gap di competenze sui dati. Infatti, secondo una ricerca di Qlik, classificando l'alfabetizzazione dei dati nei vari settori, la sanità è quello con le performance peggiori. La carenza di competenze sui dati all'interno delle organizzazioni sanitarie ostacola l'utilizzo di data science e machine learning nei diversi ambiti e limita la capacità delle organizzazioni di creare consenso attorno alle iniziative sui dati.
Per esempio, gli operatori sanitari in prima linea devono possedere una alfabetizzazione di base sull'AI per poter comprendere e interagire con sistemi e applicazioni basati su machine learning (McKinsey). Manager e leader in aziende farmaceutiche o assicurative devono capire cosa è possibile fare con data science e machine learning, così da guidare le iniziative sui dati e contribuire a far crescere una cultura data-driven (DataCamp).
Limitarsi ad assumere professionisti dei dati qualificati non basta. C'è una carenza di talenti che comprendono le complessità della sanità e una carenza di talenti in data science in generale (Forbes).
La mancanza di alfabetizzazione dei dati è il più grande nemico contro cui stiamo combattendo. Man mano che il mondo diventa sempre più guidato dai dati, è una sfida ancora più grande. Tutti devono comprenderne le basi e dobbiamo saperlo comunicare in modo intuitivo e coinvolgente
Bill Zhang, Chief Data and Analytics Officer, AIG Japan
Come la formazione sui dati risolve le sfide dei dati nel settore sanitario
Affrontare il gap di competenze sui dati è fondamentale per rendere operativi data science e machine learning in sanità. Secondo il World Economic Forum, la formazione digitale e sui dati in sanità e farmaceutica può incrementare il PIL mondiale di oltre 400 miliardi di dollari entro il 2030. Creare una cultura di apprendimento continuo è indispensabile per formare la prossima generazione di leader in sanità (McKinsey), che combineranno scienze dei dati e scienze biomediche per scalare e rendere operativo il valore della data science e del machine learning in sanità.
