Page 69 - ID - Informazioni della Difesa n. 03-2024

SELEZIONE DELLE CARATTERISTICHE GENERALI CHE QUALIFICANO
L’AI A SUPPORTO DELLA TUTELA ALLA SALUTE
Digitalizzazione dei dati sanitari: La transizione verso l’EHR (Electronic Health Records) ha trasformato la
gestione dei dati sanitari. Negli Stati Uniti, il tasso di adozione degli EHR è passato dal 9,4% nel 2008 al 96%
nel 2019 tra gli ospedali acuti non federali, secondo il report dell’Office of the National Coordinator for Health
Information Technology (ONC). Questa vasta disponibilità di dati digitalizzati è essenziale per alimentare gli
algoritmi di AI, migliorando così la predizione delle malattie, la personalizzazione delle cure e l’efficienza operativa
delle strutture sanitarie. Un’iniziativa significativa in questo ambito è stata la promozione degli EHR da parte della
Veterans Health Administration (VHA) degli Stati Uniti, che ha implementato un sistema EHR all’avanguardia per
migliorare la cura dei veterani. Questo sistema consente una gestione efficiente dei dati dei pazienti, dalla storia
clinica alle prescrizioni, rendendo le informazioni facilmente accessibili a medici e pazienti. La vasta disponibilità di
dati digitalizzati è cruciale per alimentare gli algoritmi di AI, che a loro volta possono migliorare la predizione delle
malattie e personalizzare le cure.
Telemedicina e monitoraggio remoto: La digitalizzazione ha anche accelerato l’adozione della telemedicina, che
è cresciuta esponenzialmente durante la pandemia di COVID-19. La capacità di monitorare i pazienti a distanza
tramite dispositivi connessi e di fornire consultazioni virtuali si è rivelata cruciale per mantenere l’accesso alle cure
durante i lockdown, dimostrando il potenziale della tecnologia nel rendere l’assistenza sanitaria più accessibile.
A riguardo, le numerose applicazioni sviluppate hanno rappresentato di per sé una leva per l’accorciamento delle
distanze medico-paziente mediante l’impiego di tecnologie, anche robotizzate, ora rese più accessibili grazie alla
diffusione e conseguente diminuzione dei costi.

L’integrazione può avvenire tramite unione diretta dei dati o modelli specifici,
affrontando la sfida dell’eterogeneità dei dati esplorando relazioni complesse.
• Clinici: generalmente ascrivibili ai Fascicoli Sanitari Elettronici (FSE), anche
contenenti immagini sanitarie (es. Radiografie – RX, Tomografie computerizzate –
TC, Risonanze magnetiche – RMy, ecc…) e dati fisiologici. I dati, strutturati o meno,
beneficiano di modelli di Deep Learning (DL) per la classificazione e l’analisi.
• Ambientali: relativi a fattori esterni che influenzano la salute, come inquinamento,
clima, immagini satellitari, utilizzati per studiare il legame tra ambiente e la salute.
• Ricerca e Sviluppo Sanitario: dati ed informazioni contenuti dossier di ricerca e
sviluppo dei farmaci ma anche dalle schede di farmacovigilanza. Le sfide includono
l’interpretazione di modelli complessi integrati con dati clinici per la salute pubblica
o per l’individuo.
• Letteratura Biomedica: fornisce una vasta gamma di conoscenze tramite Natural
Language Programming (NLP) e AI per estrarre informazioni utili per la ricerca. La
sfida principale è l’integrazione efficace di queste informazioni estratte con i dati
biomedici per migliorare la modellazione e l’interpretazione.
• Comportamentali: raccolti da social media, video, dati conversazionali e sensori
mobili, offrono prospettive sullo stato di salute basate sul comportamento degli
individui. Questi dati presentano sfide nell’ottenimento di etichette veritiere e nella
loro integrazione con dati clinici per un’analisi complessiva.
L’integrazione dei dati afferenti a tutte le categorie citate con informazioni cliniche, è una
delle sfide per la medicina di precisione in cui l’AI può fornire indubbio supporto. Ogni
categoria affronta sfide uniche, dalle questioni di eterogeneità e reciproca integrazione
alla necessità di modelli interpretabili e generalizzabili, evidenziando l’importanza di
strategie innovative nell’AI per il progresso nelle scienze biomediche.
L’attuale panorama dell’AI si orienta verso lo sviluppo di Modelli di Grande Dimensione
(LAMs), sostenuti da un crescente flusso di dati e risorse computazionali. Questi modelli
rispondono a specifici ambiti applicativi: i Modelli di Linguaggio di Grande Dimensione
(LLMs) per le operazioni linguistiche, i Modelli di Visione di Grande Dimensione (LVMs)
per compiti visivi, e i Modelli Multimodali di Grande Dimensione (LMMs), che fondono
dati eterogenei, come testo e immagini, per impieghi più complessi.

Rivista dello Stato Maggiore della Difesa 67