Applicazioni mediche dell'intelligenza artificiale
L'Intelligenza Artificiale (IA) in campo medico-sanitario si rivolge all'applicazione di sistemi avanzati e algoritmi in grado di elaborare informazioni complesse per supportare diagnosi, trattamenti e gestione dei pazienti.
Intelligenza Artificiale[modifica]
L’Intelligenza Artificiale (AI o anche Artificial intelligence) è una tecnologia informatica che consente l'interazione tra l'uomo e la macchina.
L'IA è il processo attraverso cui le macchine ed i sistemi informatici simulano i processi di intelligenza umana, elaborano il linguaggio naturale, il riconoscimento vocale e la visione artificiale.
Grazie all'intelligenza artificiale è possibile (almeno questo l'obiettivo ultimo) rendere le macchine in grado di compiere azioni e "ragionamenti" complessi, imparare dagli errori, e svolgere funzioni fino ad oggi esclusive dell'intelligenza umana. Oggi viene utilizzata per svolgere compiti che all'uomo richiederebbero molto tempo.
Machine Learning[modifica]
Il machine learning nasce nel 1959 ed è stato inventato dallo scienziato americano e pioniere dell’intelligenza artificiale Arthur Lee Samuel. Questi coniò il termine per la prima volta, definendolo come il campo di studio che dà ai computer la capacità di apprendere senza essere esplicitamente programmati.
Oggi per machine learning si intende la capacità di una macchina di imitare il comportamento e l’intelligenza umana.
L’espressione inglese machine learning significa attività di apprendimento automatico tipica delle macchine, rivolta alla creazione di modelli computerizzati, in grado di simulare il comportamento intelligente umano attraverso l’esperienza diretta. Ciò significa poter disporre di macchine in grado, per esempio, di riconoscere una scena visiva, comprendere un testo scritto in un linguaggio naturale o di eseguire un’azione nel mondo fisico.
Deep Learning[modifica]
Deep learning è un sottoinsieme del machine Learning (ML), in cui gli algoritmi di reti neurali artificiali sono modellati per funzionare come l'apparato cerebrale umano, imparando da grandi quantità di dati. Il Deep learning è basato su livelli di reti neurali che sono algoritmi modellati in modo approssimativo sul modo di lavorare dei cervelli umani. La formazione con grandi quantità di dati è ciò che configura i neuroni nella rete neurale. Il risultato è un modello di deep learning che elabora nuovi dati. I modelli di Deep Learning acquisiscono informazioni da più fonti e analizzano tali dati in tempo reale, senza la necessità di intervento umano. Nel deep learning, le unità di elaborazione grafica (GPU) sono ottimizzate per i modelli di formazione perché possono elaborare più calcoli contemporaneamente. Il Deep learning è ciò che guida molte tecnologie di intelligenza artificiale (AI) in grado di migliorare l'automazione e le attività analitiche. Viene utilizzato per generare didascalie per i video YouTube, per eseguire il riconoscimento vocale sui telefoni e gli altoparlanti intelligenti, per consentire il riconoscimento facciale delle fotografie e per consentire la guida autonoma delle automobili.
Natural Language Processing (NLP)[modifica]
L'elaborazione del linguaggio naturale (NLP) è una branca dell'IA che consente ai computer di comprendere, generare e manipolare il linguaggio umano. La capacità di interrogare i dati con testo o voce in linguaggio naturale è chiamato "linguaggio in". La maggior parte dei consumatori ha probabilmente interagito con l'NLP senza rendersene conto. Ad esempio, l'NLP è la tecnologia di base degli assistenti virtuali, come Oracle Digital Assistant (ODA), Siri, Cortana o Alexa. Quando poniamo domande a questi assistenti virtuali, l'NLP è ciò che consente loro non solo di comprendere la richiesta dell'utente, ma anche di rispondere in linguaggio naturale. L'NLP si applica sia al testo scritto che al parlato e può essere applicato a tutte le lingue umane. Altri esempi di strumenti basati sull'NLP includono la ricerca web, il filtraggio dello spam e-mail, la traduzione automatica di testo o parlato, il riepilogo dei documenti, l'analisi del sentiment e il controllo grammaticale/ortologico. Ad esempio, alcuni programmi di posta elettronica possono suggerire automaticamente una risposta appropriata a un messaggio in base al suo contenuto: questi programmi utilizzano l'NLP per leggere, analizzare e rispondere al tuo messaggio.
Computer Vision[modifica]
La computer Vision è un campo dell'intelligenza artificiale (AI) che utilizza il machine learning e le reti neurali per insegnare ai computer e ai sistemi a ricavare informazioni significative da immagini digitali, video e altri input visivi e a formulare raccomandazioni o intraprendere azioni quando vengono identificati difetti o problemi. Se l'AI consente ai computer di pensare, la computer vision consente loro di vedere, osservare e capire.
La Computer Vision addestra le macchine a distinguere gli oggetti, la loro distanza, se si stanno muovendo o se c'è qualcosa di sbagliato in un'immagine, ma deve farlo in tempi molto più brevi con telecamere, dati e algoritmi piuttosto che con retine, nervi ottici e corteccia visiva (come gli umani). La Computer Vision viene utilizzata in settori che vanno dall'energia e dai servizi di pubblica utilità alla produzione e all'industria automobilistica, con il mercato che continua a crescere.
Applicazioni Mediche[modifica]
Chirurgia Robotica[modifica]
La chirurgia robotica è un’area della medicina moderna che utilizza tecnologie avanzate per assistere i chirurghi durante gli interventi in sala operatoria. Offre una serie di vantaggi, tra cui una maggiore precisione, minore invasività, tempi di recupero più rapidi e, generalmente, minori rischi di complicanze per i pazienti. Richiede un’applicazione costante per un apprendimento progressivo e consapevole. Non solo il chirurgo, ma tutto il team robotico di sala è parte attiva di ogni intervento sul paziente e, con la sua esperienza, determina il successo di un intervento.
I sistemi robotici chirurgici in uso sono costituiti da bracci robotici che vengono controllati dal chirurgo tramite una consolle distante dal letto operatorio, munita di molteplici comandi installati su joystick e su pedaliera che il chirurgo coordina nell’uso durante l’intervento. Lo specialista guida sulla road map digitale dell’intervento da eseguire i movimenti del robot, e il sistema converte tali impulsi in azioni precise all’interno del corpo del paziente.
I robot chirurgici sono dotati di strumenti miniaturizzati, come pinze e bisturi, che permettono di eseguire operazioni con una maggiore precisione e una migliore manovrabilità rispetto alle tecniche chirurgiche tradizionali, perché amplificati da una magnificazione di immagine dovuta a potenti ottiche supportate da telecamere ad altissima risoluzione.
Produzione Farmaci[modifica]
L'utilizzo dell’IA in ambito farmaceutico sta compiendo notevoli passi avanti, soprattutto se si pensa al suo impatto sull’abbattimento dei costi e sul raggiungimento degli obiettivi in tempi rapidi per gli standard del settore. Centinaia di startup stanno esplorando l’uso dell’apprendimento automatico nell’industria farmaceutica. L’obiettivo “comune” è quello di utilizzare l’Intelligenza Artificiale per rendere la scoperta dei farmaci più veloce, sicura ed economica. Prevedendo il comportamento dei potenziali farmaci nell’organismo e scartando “in anticipo” i composti che non funzionano. I modelli di apprendimento automatico possono ridurre la necessità di ricorrere a lunghe procedure di laboratorio. L'industria farmaceutica ha iniziato a produrre numerosi dati chimici e biologici per addestrare modelli di apprendimento automatico efficaci. La nuova generazione di aziende del campo dell’Intelligenza Artificiale si sta concentrando su tre punti critici nel processo di sviluppo dei farmaci:
1) Individuare il bersaglio giusto nell’organismo; 2) Progettare la molecola giusta per interagire con esso; 3) Determinare in quali pazienti la molecola ha maggiori probabilità di essere utilizzata con successo. Con l’apprendimento automatico è possibile sfruttare grandi quantità di dati, compresi quelli relativi a farmaci e molecole, per costruire automaticamente “modelli complessi”. In questo modo è molto più facile e veloce prevedere il comportamento dei farmaci nell’organismo, consentendo di effettuare molti esperimenti. I modelli di apprendimento automatico possono esplorare potenziali molecole di farmaci in un modo prima sconosciuto. Prima ancora di arrivare a simulare il comportamento dei farmaci, molte aziende stanno applicando l’apprendimento automatico al problema dell’identificazione dei bersagli e l’utilizzo del linguaggio naturale per estrarre i dati da vasti archivi di relazioni scientifiche risalenti a decenni fa, tra cui centinaia di migliaia di sequenze genetiche pubblicate e milioni di articoli accademici. I modelli di apprendimento automatico possono prevedere quali sono i bersagli più promettenti su cui concentrarsi per cercare di curare una particolare malattia. La scelta di un bersaglio è solo l’inizio. La sfida più grande è progettare una molecola di farmaco che faccia “qualcosa”, che sia produttiva di risultati. L’interazione tra le molecole all’interno del corpo, peraltro, è molto complicata. Molti farmaci devono attraversare ambienti ostili, come l’intestino, prima di poter svolgere il loro lavoro. Tutto il processo è regolato da leggi fisiche e chimiche che operano su scala atomica. L’obiettivo della maggior parte degli approcci alla progettazione di farmaci basati sull’Intelligenza Artificiale è quello di “navigare” tra le vaste possibilità e individuare rapidamente nuove molecole che soddisfino il maggior numero possibile di requisiti. L'idea è quella di riprogettare gli anticorpi esistenti per renderli più adatti a legarsi ai bersagli oppure quello di scegliere gli anticorpi “più promettenti”, che potrebbero combattere particolari varianti aggressive, utilizzandoli per progettare vaccini straordinariamente efficaci. Dopo aver apportato modifiche simulate, i ricercatori sintetizzano e testano i progetti che funzionano meglio. D’altronde, il vero potenziale dell’Intelligenza Artificiale è di aprire un enorme bacino non sfruttato di strutture biologiche e chimiche che potrebbero diventare gli ingredienti di futuri farmaci. L’IA può ridurre i tempi ed i costi della ricerca di nuovi farmaci. I farmaci devono essere testati sugli esseri umani. Queste fasi finali dello sviluppo di un farmaco, che prevedono il reclutamento di un gran numero di volontari, sono difficili da gestire e, in genere, richiedono molto tempo: si va, alle volte, dai dieci ai venti anni. L’Intelligenza Artificiale non sarà in grado di accelerare il processo di sperimentazione clinica, ma potrebbe aiutare le aziende farmaceutiche a limitare i tempi di gestione dei dati.
Anche una migliore selezione dei pazienti potrebbe contribuire a migliorare l’intero processo selezionando i “pazienti giusti” dall’origine, incorporando i dati dei pazienti nelle prime fasi del processo per addestrare un’Intelligenza Artificiale “migliorata”.
Diagnosi Malattia[modifica]
L'intelligenza artificiale (IA) sta rivoluzionando il campo della medicina, trasformando i paradigmi tradizionali di diagnosi, trattamento e gestione delle malattie. Grazie ai rapidi progressi in questo settore, gli specialisti della salute sono oggi in grado di offrire cure più precise, personalizzate ed efficienti. Un altro importante sviluppo è rappresentato da EVEscape, un modello di deep learning che predice l’evoluzione dei virus, come il SARS-CoV-2, con una precisione superiore rispetto ai metodi tradizionali. Questo modello è fondamentale per la progettazione di vaccini e per la preparazione a future pandemie, evidenziando come l’IA possa giocare un ruolo cruciale nell’anticipare le mutazioni virali.
DeepMind di Google ha introdotto AlphaMissense, un modello di IA che ha analizzato 71 milioni di varianti di mutazioni genetiche, classificandone l’89% e determinando la patogenicità di molte di queste mutazioni. Questo strumento si rivela essenziale per comprendere meglio quali mutazioni genetiche possono causare malattie, inclusi diversi tipi di cancro. Nel campo della genomica, il Consorzio di Ricerca sul Pangenoma Umano ha utilizzato l’IA per aggiornare e mappare il genoma umano con una precisione senza precedenti. Questo nuovo riferimento del genoma è più rappresentativo e aiuta a identificare malattie in gruppi di persone con diverse ascendenze genetiche, superando i limiti delle versioni precedenti del genoma.
L’Intelligenza Artificiale nella diagnosi del cancro: il modello PANDA In particolare, PANDA, un modello di IA per la rilevazione del cancro pancreatico, ha dimostrato una sensibilità e specificità superiore rispetto ai radiologi umani in test di validazione su larga scala.
Questi risultati sottolineano come l’IA possa superare le prestazioni umane in compiti diagnostici complessi e contribuire significativamente alla diagnosi precoce di malattie letali come il carcinoma duttale pancreatico. Altri usi diagnostici dell’IA includono la previsione del rischio di cancro al seno utilizzando immagini mammografiche e lo sviluppo di reti neurali open-source, X-Raydar e X-Raydar-NLP, per la classificazione di radiografie del torace. Questi metodi hanno mostrato prestazioni comparabili a quelle di esperti umani e robustezza nell’applicazione a set di dati esterni.
L'IA stia diventando una parte integrante dell’ecosistema medico, migliorando la diagnosi e il trattamento di varie condizioni.
Diagnostica Immagini[modifica]
La diffusione dell’Intelligenza Artificiale come strumento di ausilio ai medici è già iniziata e diverse esperienze sono già in corso: una delle applicazioni che suscitano maggiore interesse è quella della diagnostica per immagini per l’individuazione e la caratterizzazione di lesioni, principalmente in ambito oncologico. Un’ulteriore applicazione, in via di sviluppo, è relativa alla classificazione dei pazienti affetti da polmonite da SARS-CoV-2 in classi di rischio in base ai dati ottenuti dalla TC. Questo progetto è stato recentemente finalizzato e ci aspettiamo di poterlo utilizzare in futuro. L'IA può ottimizzare le risorse tecnologiche e umane, attraverso una maggiore efficienza dei flussi di lavoro e della gestione dei pazienti. Infatti, gli algoritmi di intelligenza artificiale possono intervenire per analizzare e gestire gli esami sulle macchine (ad esempio TC, RM o PET) nonché per armonizzare i protocolli utilizzati nella esecuzione degli esami. l'IA può migliorare l’efficienza degli strumenti: l’utilizzo di algoritmi IA ottimizza la modalità di ricostruzione delle immagini. Un sistema dotato di IA è in grado, ad esempio, di ridurre gli artefatti dovuti al movimento del paziente e di garantire la stessa qualità dell’immagine riducendo i tempi necessari per l’esecuzione di un esame. Gli algoritmi di IA possono essere addestrati per “leggere” le immagini e rilevare anomalie in particolari distretti od apparati, utilizzando una metodica ben definita. La maggior parte degli algoritmi possono essere utilizzati dopo essere stati addestrati su una particolare metodica di diagnostica per immagini, come la radiografia del torace oppure la TC del torace. Oltre a identificare le alterazioni, gli algoritmi di IA possono essere addestrati per caratterizzare le lesioni: ad esempio, per riconoscere se una anomalia evidenziata ad una mammografia sia benigna o maligna, oppure se un nodulo polmonare evidenziato alla TC debba essere asportato o possa essere controllato nel tempo. In questo processo, le informazioni ricavate dalle immagini possono essere correlate con i dati del paziente, come le abitudini di vita o i risultati degli esami del sangue. La correlazione dei dati provenienti dalle diverse metodiche di analisi e dalla storia clinica dei pazienti può consentire di classificarli in gruppi omogenei di rischio. Questa classificazione dovrebbe consentire di stabilire un piano terapeutico personalizzato. L’Intelligenza Artificiale aiuta a individuare e caratterizzare lesioni oncologiche. A partire dall’analisi delle immagini, condotta attraverso tecniche di analisi tissutale chiamate tecniche di radiomica. La radiomica consente di estrarre dalle immagini alcuni parametri quantitativi in grado di facilitare la caratterizzazione di lesioni, in questo caso lesioni neoplastiche o sospette tali: può essere integrata con tecniche di machine learning, ma la sua probabile evoluzione sarà l’utilizzo diretto di tecniche di deep learning, di apprendimento profondo tramite reti neurali artificiali.
Medicina personalizzata e patologie tumorali[modifica]
La medicina personalizzata, o medicina di precisione, mira ad andare oltre i protocolli standard, adottando iter terapeutici mirati alle caratteristiche genetiche del paziente e alle peculiarità della sua patologia.
Questa visione si fonda sull’interazione tra il genoma della persona e l’ambiente circostante, che plasma tratti distintivi di ogni patologia. Rilevando tali caratteristiche, è possibile sviluppare centinaia di percorsi di cura differenziati per patologie apparentemente analoghe, superando la standardizzazione e perseguendo l’obiettivo della massima personalizzazione dell’approccio diagnostico e terapeutico. La medicina personalizzata è stata definita come “un modello medico che utilizza la caratterizzazione dei fenotipi e dei genotipi degli individui (ad esempio, profilazione molecolare, imaging medico, dati sullo stile di vita) per adattare la strategia terapeutica ad una specifica persona in un preciso momento e/o per determinare la predisposizione alla malattia e/o per fornire una prevenzione tempestiva e mirata”.
L’avvento di nuove tecnologie genetiche – come, ad esempio, la farmacogenomica, consentiranno sempre più agli scienziati, infatti, di utilizzare le informazioni genetiche dei pazienti per determinare meglio il principio attivo, la dose e il momento più adatto per somministrarlo. Come fa notare al proposito l’Istituto di Ricerche Farmacologiche Mario Negri, sebbene non vi sia una definizione univoca, possiamo riferirci alla medicina personalizzata come a un approccio globale alla prevenzione, alla diagnosi, alla cura e al monitoraggio delle malattie basato sulle caratteristiche, genetiche e non solo, di una persona. Mentre in Europa è preferito il termine medicina personalizzata, nel Nord America si utilizza di più medicina di precisione, individualizzata o stratificata, sull’onda delle considerazioni degli esperti del National Research Council statunitense. Al di là della terminologia usata – precisa il Negri – comunque, l’idea di fondo è che il genoma di ciascun individuo, interagendo con l’ambiente, conferisca caratteristiche uniche a patologie complesse che possono così essere diagnosticate e curate in maniera più efficiente ed efficace. Per mettere a fuoco la differenza tra medicina di precisione e medicina personalizzata – spiega Roche – possiamo dire che la prima studia gli elementi fondamentali per la comprensione delle dinamiche che portano all’insorgenza di una patologia, e quindi permette lo sviluppo del miglior farmaco in base al bersaglio molecolare da colpire. Con medicina personalizzata si fa un passo avanti e si mette al centro il paziente, invece che la patologia, con le sue caratteristiche genetiche, stile di vita, alimentazione, storia clinica e ambiente in cui vive, per arrivare a formulare la miglior prevenzione o terapia da adottare. L’affermarsi della medicina personalizzata è legato a doppio filo alla sicurezza dei farmaci e delle terapie utilizzate per metterla in atto. Il quadro normativo dell’UE per i prodotti farmaceutici offre una serie di strumenti e procedure per garantire che i medicinali immessi sul mercato siano di elevata qualità, sicurezza ed efficacia. Esistono numerosi strumenti dell’UE che sostengono lo sviluppo della medicina personalizzata. Tra questi: -La legislazione sui dispositivi medici e sulla diagnostica in vitro che mira ad adattare la legislazione dell’UE al progresso tecnologico e scientifico in questo settore; -Il regolamento generale sulla protezione dei dati che mira a rendere il quadro giuridico dell’UE in questo settore adatto ai nuovi sviluppi scientifici nel settore; -La regolamentazione delle sperimentazioni cliniche che mira a semplificarne la conduzione e, di conseguenza, a facilitare la ricerca sulle terapie che utilizzano la medicina personalizzata. La medicina personalizzata, grazie a percorsi terapeutici creati in base alle caratteristiche genetiche e ambientali di ogni singolo paziente, rappresenta una svolta importante nell’approccio alla cura delle patologie. Il paradigma su cui posa le sue fondamenta, infatti, si basa sull’analisi approfondita dei dati clinici, genetici e ambientali e può sfruttare le potenzialità dell’Intelligenza Artificiale per estrarre informazioni cruciali e sviluppare modelli predittivi molto accurati. Uno dei campi di applicazione più promettenti è l’Oncologia, ambito in cui l’analisi genetica dei tumori può condurre a terapie mirate ed efficaci, riducendo gli effetti collaterali e aumentando le probabilità di successo. Non solo: attraverso la chirurgia oncologica di precisione, infatti, i chirurgi saranno sempre più in grado di asportare al particolare paziente in questione niente di più e niente di meno di ciò che è strettamente necessario per guarire. Inoltre, grazie all’arricchimento dei dati con informazioni aggiuntive e all’elaborazione tramite tecniche di data science e machine learning, è possibile prevedere il rischio di recidive o metastasi, consentendo un approccio proattivo e anticipatorio nella gestione della malattia. La Radiomica rappresenta un passo avanti rispetto all’impiego di AI nell’imaging radiologico, estendendo il suo raggio d’azione dalla diagnosi alla cura personalizzata. Questa tecnica mira ad estrarre informazioni trasparenti all’occhio del radiologo, che per decenni ha interpretato le immagini facendo affidamento solo sulle proprie competenze. La capacità di estendere la visione del medico con dati apparentemente “invisibili” permette di sviluppare modelli diagnostici e predittivi efficaci, avvicinandosi all’ideale della medicina personalizzata. Nell’ambito oncologico, mentre oggi una TAC fornisce evidenze sul tipo di tumore e la localizzazione, la radiomica consente di comprendere le caratteristiche biologiche della malattia in modo non invasivo, differenziando nettamente un caso dall’altro.
Un aspetto di primaria importanza della Radiomica è l’integrazione con i dati clinici, genetici, anatomopatologici e relativi allo stile di vita del paziente, dando vita così alla Radiogenomica. Grazie a questa convergenza di informazioni, l’Intelligenza Artificiale riesce a segmentare finemente i pazienti, indirizzandoli verso protocolli personalizzati e prevedendo la risposta ai trattamenti. La Radiomica, inoltre, offre il vantaggio della non invasività: alcuni tumori richiedono attualmente il prelievo di campioni di tessuto per studiarne le alterazioni genomiche, mentre questa tecnica consente di monitorare le evoluzioni della neoplasia in modo indolore e continuo, con benefici sul percorso di cura e sul benessere della persona. Con il progressivo e crescente affermarsi dell’Intelligenza Artificiale e del machine learning, finalmente i team di ricerca e sviluppo hanno la possibilità di cogliere questa opportunità, ma solo a condizione che i dati siano standardizzati, interoperabili e sicuri. L’accesso a una base di dati affidabile è la chiave per comprendere appieno il potenziale di un trattamento specifico per un determinato paziente. Le aziende biofarmaceutiche devono infatti integrare dati provenienti da molteplici fonti, alcune comuni come i dati demografici dei pazienti e le cartelle cliniche elettroniche, altre uniche per ogni individuo, come le informazioni genetiche, la diagnostica per immagini e i dati sull’attività fisica raccolti da dispositivi indossabili. Poiché l’efficacia clinica e il profilo di sicurezza di un trattamento personalizzato variano da paziente a paziente, tutte le parti interessate devono potersi fidare dei dati per prendere decisioni in modo sicuro e accurato. Il Quantum Computing, associato all’utilizzo di algoritmi di intelligenza artificiale, è un ulteriore ambito promettente per la medicina personalizzata. Una delle applicazioni di maggior interesse è relativa alla scoperta di nuovi farmaci, in particolare nell’ambito biotech. I computer quantistici, infatti, potrebbero ulteriormente accelerare l’identificazione di molecole in grado di rispondere ai bisogni specifici dei pazienti. Questa tecnologia, combinata con l’AI, potrebbe rivoluzionare il modo in cui vengono sviluppati e personalizzati i trattamenti medici, aprendo la strada a terapie sempre più mirate ed efficaci. Come visto, l’Intelligenza Artificiale può supportare e potenziare la medicina personalizzata grazie alla sua capacità di analizzare grandi quantità di dati e identificare possibili correlazioni tra dati anche eterogenei. In particolare, secondo i dati (2024) dell’Osservatorio Life Science Innovation del Politecnico di Milano, il 55% delle startup attive in questo campo sfrutta l’AI accelerando la scoperta di nuovi farmaci e molecole oppure affiancando il professionista sanitario nella presa di decisioni nel processo di cura. Diviene quindi essenziale un approccio multidisciplinare integrato comprensivo di tutti gli specialisti coinvolti nell’iter diagnostico e terapeutico con l’obiettivo di ottimizzare la personalizzazione del percorso di cure.
Implicazioni etiche-legali[modifica]
Le implicazioni etiche dipendono dagli imput e dalle informazioni che vengono fornite da noi umani. Quindi le nostre informazioni possono contenere degli errori sin dall’origine oppure dei pregiudizi (ad es. discriminazioni) Non è chiaro come vengano prese le decisioni dall’IA. Non sempre il medico ha chiara la modalità con cui la macchina è arrivata a quella conclusione. La macchina può arrivare a manipolare l’uomo e quindi la decisione del medico Grandi quantità di dati sensibili. Non sappiano come vengono elaborate le informazioni che forniamo e come avvenga il processo logico nella macchina. La macchina lavora su dati statistici che hanno sempre un margine di errore. In campo medico è molto delicata la questione dei dati sensibili e del loro utilizzo. La macchina non sa risolvere nuovi problemi per i quali non ha informazioni. Non ha senso comune.
Fiducia[modifica]
Chi fornisce i dati e chi utilizza i dati deve agire in base al principio della fiducia.
Problemi Lavorativi[modifica]
La macchina sostituirà l’uomo in alcuni lavori cognitivi e potrebbe portare a risvolti etici.
Possibili Sviluppi[modifica]
In futuro sarà necessario prevedere la possibilità per le macchine di prendere decisioni trasversali. Per risolvere i problemi etici e legali la società civile, le aziende, le autorità e le istituzioni, i Governi devono stabilire dei principi che dovranno essere alla base dell’utilizzo futuro dell’IA Necessità di una Governance. Chi fornisce i dati e chi li utilizza dovrà rispettare principi di etica bene precisi.
Note[modifica]
https://www.agendadigitale.eu/tag/intelligenza-artificiale/
https://www.lum.it/machine-learning/
https://www.oracle.com/it/artificial-intelligence/machine-learning/what-is-deep-learning/
https://www.oracle.com/ph/artificial-intelligence/what-is-natural-language-processing/
https://www.gvmnet.it/chirurgia-del-futuro-di-precisione
https://www.agendadigitale.eu/sanita/intelligenza-artificiale-diagnostica-per-immagini/
https://www.healthtech360.it/salute-digitale/medicina-personalizzata-cosa-e-vantaggi-esempi/
Bibliografia[modifica]
Francesca Rossi, Il confine del futuro. Possiamo fidarci dell’intelligenza artificiale?, Milano, Feltrinelli, 2019
Daniele Caligiore, Curarsi con l’intelligenza artificiale, Bologna, Il Mulino, 2024