Python in sanità: applicazioni di IA negli ospedali

Indice dei contenuti

Introduzione

Uso di Python per la diagnostica per immagini

• Rilevamento e classificazione dei tumori
• Rilevamento di anomalie cardiovascolari
• Rilevamento di fratture e altri traumi
• Screening per i tumori più comuni

Uso del Natural Language Processing (NLP) in sanità

• Uso dell’NLP per creare un sistema di supporto alle decisioni cliniche (CDS)
• Uso dell’NLP per migliorare le capacità di fenotipizzazione
• Prevedere l’insorgenza della psicosi
• Identificazione e stratificazione del rischio dei pazienti con cirrosi
• Identificazione dei casi di cancro da riportare
• Applicazione dell’NLP per la predictive analytics

Uso di Python per prevedere e analizzare malattie complesse

Uso di Python per migliorare l’esperienza del paziente

Migliorare le operazioni ospedaliere

Scoperta di farmaci

Futuro dell’uso di Python in sanità

Conclusione

Introduzione

Nel mondo moderno, computer e smartphone hanno preso il sopravvento in molti aspetti della nostra vita, e il settore sanitario non fa eccezione. Gli operatori sanitari stanno trasferendo sempre più dati sanitari e clinici dalla carta ai formati elettronici e, di conseguenza, le strutture sanitarie generano enormi quantità di dati. Python è un linguaggio di programmazione fondamentale che i data scientist usano per creare soluzioni a molte sfide in ambito sanitario e offre un set diversificato di strumenti per generare insight significativi dai dati per i professionisti della salute. I medici possono usare applicazioni basate su Python per fare prognosi migliori e migliorare la qualità dell’assistenza. Nel settore sanitario, i data scientist usano principalmente Python per sviluppare algoritmi di machine learning e applicazioni software per:

• Eseguire diagnosi mediche
• Migliorare l’efficienza delle operazioni ospedaliere
• Studi genomici
• Scoperta di farmaci
• Analisi predittiva

Le principali applicazioni di Python in sanità si basano su algoritmi di machine learning (ML) e natural language processing (NLP). Queste applicazioni includono la diagnostica per immagini, l’elaborazione del linguaggio naturale dei documenti medici e la previsione delle malattie usando la genetica umana. Tali applicazioni sono essenziali per il settore sanitario: elaborano e analizzano i dati trasformandoli in informazioni comprensibili, significative e affidabili per pazienti e operatori. La sezione seguente illustra come data scientist e professionisti della salute usano ML e NLP in Python per risolvere sfide sanitarie e migliorare gli esiti per i pazienti.

Uso di Python per la diagnostica per immagini

Uno degli sviluppi tecnologici più promettenti in sanità è l’uso dell’ML per analizzare immagini multiple come risonanza magnetica (MRI), tomografia computerizzata (CT) e diffusion tensor imaging (DTI) per fornire diagnosi. Mentre il cervello umano può avere difficoltà ad analizzare più immagini simultaneamente, le soluzioni di machine learning sono abili nel processare molteplici informazioni per produrre un singolo esito diagnostico. Sarker (2021) fornisce esempi di applicazioni reali del machine learning in sanità e direzioni di ricerca. Va anche notato che l’accuratezza dell’uso di Python nel machine learning per l’analisi di immagini è circa del 92%. Questo è leggermente inferiore all’accuratezza del 96% dei clinici senior. Tuttavia, quando i patologi validano i modelli di machine learning, l’accuratezza può salire fino al 99,5%.

Rilevamento e classificazione dei tumori

Una delle applicazioni più comuni delle tecnologie di machine learning in sanità è il rilevamento dei tumori tramite computer-automated detection (CAD). Queste tecniche applicano CNN per calcolare la probabilità che una lesione sia effettivamente una lesione. Ad esempio, nella mammografia, gli strumenti di IA possono fornire un ‘secondo’ parere a molti radiologi. Questo migliora significativamente l’accuratezza degli screening senza aumentare i costi legati all’uso di un umano per dare un ‘secondo parere’.

I medici hanno avuto difficoltà con il rilevamento e la classificazione del glioblastoma, un tipo di tumore cerebrale. La difficoltà risiede nella natura invasiva e pervasiva di questi tumori. A differenza di altri tumori cerebrali, sono difficili da localizzare e da valutare in termini di risposta al trattamento. Il deep learning aiuta ad automatizzare la valutazione delle MRI del glioblastoma.

Rilevamento di anomalie cardiovascolari 

Usare Python per automatizzare il rilevamento di anomalie cardiache da immagini, come le radiografie del torace, può accelerare il processo decisionale e ridurre gli errori diagnostici. Quando un paziente presenta sintomi come mancanza di respiro, i medici spesso richiedono una radiografia del torace come strumento per la cardiomegalia. Strumenti di IA creati con Python possono aiutare ad automatizzare attività di valutazione come la misurazione del diametro dell’arteria polmonare e dell’angolo della carena. Ad esempio, la figura sotto mostra come i data scientist usano l’ML per prevedere le malattie cardiovascolari usando le caratteristiche cliniche dei pazienti (come genere, abitudine al fumo e rischio di ipertensione, tra gli altri fattori). Il modello aveva un’accuratezza di circa il 76% (Weng et al., 2017).

Fonte: Weng et al. (2017)

Gli algoritmi di ML possono valutare le immagini e generare automaticamente report, facendo risparmiare tempo ai professionisti umani nella classificazione delle anomalie rispetto alle misurazioni nella norma.

Rilevamento di fratture e altri traumi

I data scientist possono usare strumenti basati su ML per identificare lussazioni difficili da vedere, fratture e lesioni dei tessuti molli, permettendo ai chirurghi di scegliere con maggiore sicurezza il trattamento. Usare algoritmi imparziali per analizzare le immagini può aiutare gli operatori sanitari a tenere conto di tutte le lesioni e a fornire i migliori trattamenti. Gli strumenti di IA possono eseguire un’analisi completa delle immagini mediche e generare report accurati in tempi rapidi, riducendo il rischio per il paziente, i falsi negativi e il rischio legale per i medici.

Rilevamento di condizioni e complicanze toraciche 

Condizioni toraciche come la polmonite richiedono risposte rapide da parte degli operatori sanitari. I medici usano immagini radiologiche per diagnosticare la polmonite e distinguerla da altre condizioni polmonari, come il COVID-19. Tuttavia, come mostrano Hasan et al. (2021), i radiologi potrebbero non essere sempre disponibili per analizzare le immagini e redigere i report per i medici. Anche quando disponibili, possono avere difficoltà a identificare la polmonite se il paziente ha condizioni polmonari preesistenti. Un algoritmo di IA basato su Python può analizzare radiografie e altre immagini mediche per rilevare la polmonite, quindi allertare automaticamente gli operatori per offrire il trattamento appropriato.

Screening per i tumori più comuni

Gli oncologi usano l’imaging medico per eseguire screening preventivi di routine per tumori come colon, prostata e seno. Nello screening del tumore al seno, i radiologi possono avere difficoltà a classificare in modo conclusivo un tumore come benigno o maligno. I falsi positivi potrebbero portare a test o trattamenti invasivi non necessari, mentre malignità mancate potrebbero causare diagnosi tardive ed esiti sfavorevoli. L’uso dell’IA può aiutare a migliorare l’accuratezza della lettura delle immagini mediche, potenzialmente riducendo il tasso di biopsie benigne non necessarie.

Uso del Natural Language Processing (NLP) in sanità

I data scientist e i professionisti della salute usano strumenti di natural language processing (NLP) per elaborare e analizzare un’ampia gamma di fattori, tra cui visite dei pazienti, sintomi e parametri vitali, tra gli altri. L’NLP può offrire un modo più economico per scansionare rapidamente i documenti medici e integrare le informazioni risultanti in un database, poiché i sistemi NLP estraggono dati leggibili da testi e immagini per identificare parole chiave e termini. Esistono molte possibilità interessanti per applicare l’NLP in sanità. Queste applicazioni servono principalmente a migliorare la ricerca medica e la medicina. Questa sezione evidenzia alcuni usi dell’NLP in sanità. L’elenco non è esaustivo, ma mette in luce alcune applicazioni del machine learning.

Uso dell’NLP per creare un sistema di supporto alle decisioni cliniche (CDS)

Puoi usare l’NLP per creare un sistema che migliori il supporto alle decisioni cliniche (CDS) utilizzando le cartelle cliniche storiche. Un simile sistema può aiutare i medici a prendere decisioni cliniche per i pazienti basandosi su un database di conoscenze. Il database può includere informazioni estratte dalle note dei medici (scritte a mano o dattiloscritte), dai laboratori o da audio trascritti. Il sistema funziona estraendo informazioni del paziente dai registri medici e associando possibili stati patologici in base alle informazioni di casi precedenti e/o della letteratura.

Uso dell’NLP per migliorare le capacità di fenotipizzazione

Un fenotipo è l’espressione osservabile di un tratto specifico (fisico o biochimico) in un organismo. I clinici usano la fenotipizzazione per classificare i pazienti e ottenere una comprensione più profonda dei loro dati e il confronto con coorti.

• L’NLP è uno strumento prezioso per estrarre e analizzare dati non strutturati, che rappresentano l’80 percento di tutti i dati disponibili sui pazienti.
• L’NLP consente anche una fenotipizzazione più ricca perché i referti di anatomia patologica contengono molte informazioni sui pazienti.
• L’NLP permette agli analisti di estrarre questi dati per rispondere a domande complesse e specifiche, come quali mutazioni genetiche sono associate a tipi di tessuto canceroso.

Prevedere l’insorgenza della psicosi

I ricercatori hanno pubblicato un report sull’applicazione dell’NLP, utilizzando una tecnica nota come Latent Semantic Analysis, per prevedere l’insorgenza della psicosi usando file audio trascritti di giovani ad alto rischio clinico. Il modello ha raggiunto un’accuratezza del 93% in addestramento e del 90% sui dataset di test. Il modello si è comportato bene nel prevedere se un paziente avrebbe sviluppato una psicosi, nonostante il campione ridotto di 40 partecipanti.

Identificazione e stratificazione del rischio dei pazienti con cirrosi

Un’altra applicazione dell’NLP in sanità è l’identificazione dei pazienti con cirrosi. Un altro studio ha usato l’NLP per identificare i pazienti con cirrosi e stratificarne il rischio. Questo studio è stato in grado di identificare correttamente i pazienti con cirrosi dalle cartelle cliniche elettroniche, combinazioni di codici ICD-9 e scansioni radiologiche con un’accuratezza del 95,71%. Ciò indica che un simile sistema potrebbe identificare correttamente i pazienti con cirrosi in base ai dati medici esistenti nella maggior parte degli ospedali.

Identificazione dei casi di cancro da riportare

Un altro studio ha usato l’NLP per identificare i casi di cancro da segnalare ai registri oncologici nazionali. L’obiettivo era automatizzare la segnalazione dei pazienti oncologici al National Program of Cancer Registries negli Stati Uniti. Lo studio ha utilizzato l’NLP per analizzare i referti di anatomia patologica e le diagnosi, e identificare i pazienti oncologici usando il machine learning supervisionato con un’accuratezza dell’87,2%.

Applicazione dell’NLP per la predictive analytics

Uno dei vantaggi più interessanti dell’NLP è la possibilità di sviluppare analisi predittive per migliorare gli esiti di salute in una popolazione. Un esempio è l’analisi dei post sui social media per individuare potenziali casi di suicidio e intervenire. Il suicidio è una delle principali cause di morte negli Stati Uniti. In un recente sondaggio, il National Institute of Mental Health (NIMH) ha mostrato che circa 12 milioni di adulti in America hanno avuto seri pensieri suicidari. Circa il 10% di questo gruppo ha pianificato e tentato il suicidio.

Fonte: NIMH (2021). Suicidal Thoughts and Behavior among U.S. adults.

I professionisti della salute vogliono identificare individui o coorti a rischio per poter intervenire. Esistono diversi studi che prevedono tentativi di suicidio usando i post sui social media. Uno studio ha usato dati di Twitter per sviluppare un modello con un alto livello di accuratezza (circa 70%). Tra i principali risultati: gli utenti a rischio imminente di suicidio inserivano meno emoji nei testi e usavano soprattutto emoji blu o cuori spezzati. Pubblicavano anche tweet tristi o arrabbiati prima di tentare il suicidio. Coppersmith (2018) ha inoltre previsto istanze di suicidio usando l’NLP con un’accuratezza superiore al 70% (vedi figura con ROC).

Fonte: Coppersmith et al. (2018)

Le organizzazioni sanitarie stanno già usando l’NLP per cogliere i risultati più immediati dal vastissimo albero della data science. Le grandi aziende tecnologiche stanno creando sempre più strumenti NLP per la sanità. Ad esempio, Amazon offre uno strumento clinical NLP facile da usare che aiuta i medici a estrarre insight da dati non strutturati. Possono reclutare facilmente i pazienti per studi clinici, trovare la diagnosi giusta e creare sistemi di allerta per il rilevamento precoce di condizioni come la sclerosi.

Uso di Python per prevedere e analizzare malattie complesse

Gli analisti usano algoritmi di machine learning in Python per analizzare la genetica al fine di prevedere le malattie e stabilirne la causa. Capire come la genetica influisce sul rischio individuale può aiutare nella prevenzione. Questo può fornire informazioni importanti ai medici su come personalizzare i piani di cura per mitigare il rischio di sviluppare malattie più complesse.

È difficile prevedere come evolverà una malattia e molti sistemi sono inefficienti in questo compito, poiché alcune malattie mutano rapidamente e in modo imprevedibile. Con Python, gli sviluppatori possono creare modelli di Machine Learning efficienti in grado di prevedere le malattie prima che diventino gravi.

Uno degli sviluppi chiave sono le tecniche di next-generation sequencing (NGS) nella genetica umana. L’NGS è parte integrante della ricerca biologica e medica. La rilevanza fondamentale dell’NGS ha alimentato la domanda di elaborazione e analisi dei dataset generati. Questo aiuta ad affrontare questioni di ricerca su vari temi come quantificazione e classificazione metagenomica, variant calling e rilevamento di caratteristiche genomiche.

In un altro esempio, Li et al. (2018) usano algoritmi di deep learning addestrati su una GPU per prevedere sia l’eterogeneità sia l’epistasi delle malattie complesse.

Con il machine learning, gli scienziati possono trovare schemi e tendenze delle malattie che possono modellare in modo più prevedibile. Il machine learning ha quindi il potenziale per prevedere con precisione le persone a rischio di contrarre determinate malattie, come malattie cardiovascolari, tumori e Alzheimer.

Infine, Google ha sviluppato un algoritmo di Deep Learning per rilevare il cancro nei pazienti utilizzando i loro dati medici. Il modello è efficiente e non solo accelera il processo di cura, ma riduce anche il rischio che un paziente sviluppi gravi complicanze future a causa di una diagnosi errata.

Uso di Python per migliorare l’esperienza del paziente

La gestione dei pazienti può richiedere risorse significative. Le strutture con personale limitato possono faticare a gestire appuntamenti, trattamenti e benessere generale dei pazienti. Sviluppare app sanitarie in Python può aiutare le strutture a gestire i pazienti, consentendo al personale di concentrarsi sulle attività critiche.

Le applicazioni Python possono aiutare i pazienti a fissare appuntamenti, ottenere risposte alle domande più frequenti, richiedere rinnovi di farmaci, contattare i servizi di emergenza e aggiornare regolarmente i propri dati sanitari per il monitoraggio, permettendo agli operatori di concentrarsi sulla cura dei pazienti con patologie critiche.

Migliorare le operazioni ospedaliere

Le strutture sanitarie possono sfruttare Python per risolvere problemi legati ai vincoli di risorse. I data scientist possono creare modelli che ottimizzano il personale, così da evitare problemi come l’overstaffing in turni con poche ammissioni o la carenza di personale nei giorni più intensi.

Le applicazioni basate su Python possono ottimizzare appuntamenti, uso delle strutture diagnostiche e trattamenti. Gli ospedali hanno risorse limitate in terapia intensiva e devono ottimizzarne l’uso. Nel loro studio, Wu et al. (2021) hanno usato l’ML per prevedere la durata della degenza in terapia intensiva (ICU) tra i pazienti in ICU. Hanno impiegato quattro diverse tecniche di ML (support vector machine, random forest, deep learning e gradient boosting decision tree). L’ultimo modello, il gradient boosting decision tree, ha avuto le migliori prestazioni con un’accuratezza del 74,7%. Secondo gli analisti del settore, le applicazioni di IA potrebbero far risparmiare all’economia statunitense circa 150 miliardi di dollari all’anno entro il 2026 (Roth, 2021).

Esistono dataset open source che, come data scientist, puoi usare per sviluppare ML per prevedere la degenza in ICU e aiutare gli ospedali a pianificare le risorse. Consulta questo link su Kaggle per iniziare. Inoltre, i data scientist possono liberare la potenza di Python tramite strumenti di ML come Scikit-Learn, Keras, TensorFlow e Pytorch per migliorare la gestione dei costi e delle strutture da parte dei provider sanitari.

Scoperta di farmaci 

Il linguaggio di programmazione Python è una scelta di punta per la scoperta moderna di farmaci. Praticamente tutti gli annunci di lavoro pubblicati su indeed.com per la scoperta di farmaci richiedono esperienza con Python. Pertanto, imparare Python non è più una scelta, ma un requisito per le carriere legate alla scoperta di farmaci.

Un buon esempio dell’uso di Python nella scoperta di farmaci è PyMOL di AstraZeneca. AstraZeneca è una delle aziende che sfruttano Python per accelerare la scoperta di farmaci. PyMOL è un potente strumento per visualizzare le strutture 3D dei bersagli di malattia. Lo strumento ha 12 diverse modalità di visualizzazione stereo che consentono agli utenti di evidenziare e differenziare in modo efficace varie caratteristiche strutturali dei bersagli. Gli scienziati usano questi strumenti per trovare i siti di legame appropriati per le molecole dei farmaci. Lo strumento è progettato per adattarsi bene a nuovi metodi di previsione. La figura sotto mostra come lo strumento vaglia milioni di dati per aiutare a progettare prototipi di farmaci.

Fonte: PyMOL

PyMOL consente di visualizzare le strutture tridimensionali (3D) degli organismi bersaglio della malattia. Grazie alle visualizzazioni, gli scienziati comprendono meglio i problemi fondamentali così da progettare nuovi costrutti molecolari per affrontare in modo appropriato la malattia.

Futuro dell’uso di Python in sanità

L’afflusso di dataset sanitari ampi e complessi, la necessità di ridurre i costi e la riduzione della forza lavoro sanitaria stanno alimentando la crescita degli strumenti di IA/ML sul mercato. Aumentano anche le collaborazioni e le partnership tra operatori umani e strumenti basati sull’IA. Il futuro appare promettente per gli sviluppatori di IA/ML e NLP, con alcune start-up che stanno già sviluppando sistemi di IA consapevoli dell’uomo. Si registra un aumento costante dell’uso di robot in sanità.

Le nuove applicazioni dei robot in sanità spaziano da esoscheletri e protesi a nano-robot e robot chirurgici. Negli Stati Uniti, il mercato della robotica sanitaria raggiungerà circa 32,5 miliardi di dollari entro il 2027, con un CAGR stimato del 21,3% per il periodo 2020-2027 (Xavor, 2021).

La lotta contro il COVID-19 continuerà a trainare la crescita del mercato, con tecnologie di IA impiegate per diagnostica per immagini, scoperta di farmaci, genomica e analisi predittiva.

Fonte: Markets and Markets (2022).

La U.S. National Library of Medicine sottolinea che la medicina di precisione è “un approccio emergente al trattamento e alla prevenzione delle malattie che considera la variabilità individuale di geni, ambiente e stile di vita per ogni persona.”

Il futuro della sanità è nelle mani dell’IA/ML, con la medicina di precisione destinata a essere uno dei benefici più incisivi dell’uso di IA/ML in sanità.

L’obiettivo della medicina di precisione è trovare opzioni di trattamento precise per un paziente in base alla sua storia clinica personale, alle informazioni genetiche, alle scelte di stile di vita e ai test patologici che cambiano dinamicamente. L’obiettivo è combinare le tecniche di IA più potenti (come reti neurali profonde, algoritmi di ricerca, apprendimento per rinforzo, modelli probabilistici, apprendimento supervisionato e altri) per sviluppare strumenti di medicina di precisione. Il focus è creare sistemi di IA che possano prevedere la probabilità che i pazienti abbiano una determinata malattia usando i dati di screening precoce o degli esami di routine, e Python è in prima linea nella corsa alla medicina di precisione, con sviluppatori che creano strumenti di IA per modellare perché e in quali circostanze le malattie sono più probabili. Questo è importante per preparare e guidare gli operatori sanitari a intervenire ancor prima che un individuo manifesti sintomi.

Esistono altre possibilità davvero entusiasmanti per l’uso di Python nella creazione di applicazioni di IA/ML, come i robot chirurgici digitali. Immagina una sala operatoria in cui un paziente entra e i robot eseguono su di lui procedure precise, in modo sicuro e accurato!

Fonte: Robotics business review (2022)

I robot intelligenti alimentati da IA potrebbero lavorare fianco a fianco con i chirurghi e sfruttare insight e indicazioni distribuiti e data-driven basati sulle storie chirurgiche e sui loro esiti. Le possibilità di usare Python in sanità sono infinite, con il futuro che rimane aperto alla telemedicina e all’esecuzione di interventi remoti per procedure minori.

Conclusione 

L’applicazione di Python in sanità non è priva di sfide. La privacy dei dati e le questioni legali continuano a ostacolarne la piena applicazione. È anche ancora difficile trovare dati che i provider terzi possano usare legalmente. Serve un grande sforzo di razionalizzazione delle normative e delle politiche per affrontare queste sfide.

Come data scientist e professionisti di ML, abbiamo la responsabilità di creare un futuro luminoso sfruttando la potenza degli algoritmi di IA per ridurre i costi e migliorare la vita di miliardi di persone in tutto il mondo.

Puoi acquisire competenze pratiche in Python programmando insieme con i seguenti progetti guidati:

• Cosa ti dice il battito cardiaco

• Clustering dei dati dei pazienti con malattie cardiache

• Calcoli renali e paradosso di Simpson