Intelligenza artificiale e ambito farmaceutico: opportunità, aspettative e possibili rischi

Visite: 2773

Introduzione

L’intelligenza artificiale (IA) è una tecnologia informatica in grado di rivoluzionare il modo con cui l’uomo interagisce con la macchina e le stesse macchine possono interagire tra di loro e compiere operazioni complesse. Grazie all’IA le macchine possono imparare dagli errori e svolgere funzioni che fino a qualche tempo fa erano esclusive dell’intelligenza umana. Con l’IA vengono identificati i sistemi tecnologici in grado di simulare alcune funzionalità cognitive dell’uomo senza però raggiungere le reali capacità intellettuali tipiche dell’uomo. D’altro canto, l’IA è anche in grado di identificare e di sviluppare una propria intelligenza in maniera autonoma, senza emulare i processi di pensiero o le capacità e i processi cognitive simili a quelle dell’uomo. 
L’IA è quindi applicabile a tutti i settori dei processi che riguardano l’attività umana e nello specifico anche all’ambito farmaceutico, dove l’IA può essere utilizzata in numerosi settori, dalla ricerca alla produzione di nuovi farmaci, alla sperimentazione preclinica e clinica, al miglioramento dei processi diagnostici, all’incremento della qualità, della efficacia e della sicurezza delle terapie, fino a ottimizzare l’utilizzo dei dati clinici e sanitari della popolazione. Proprio su questi aspetti si fonda il favore di Slow Pharmacy per le opportunità di

miglioramento delle prospettive di cura per i cittadini/pazienti. Vediamo ora nel dettaglio quali potranno essere i settori dell’ambito farmaceutico che potranno beneficiare dalla implementazione dell’IA.

Scoperta e sviluppo di nuovi farmaci

Nella fase d’ideazione preclinica di un farmaco, durante la quale devono essere identificate nuove molecole quali candidate promettenti e deve essere definita la strategia sperimentale finalizzata all’approvazione normativa del farmaco, l’uso dell’Intelligenza Artificiale può semplificare il processo e aumentare le probabilità di successo dell’operazione.

Mediante elaborazione e sintesi di enormi quantità d’informazioni derivanti da ricerche sperimentali già esistenti, nonché attraverso modellazione predittiva di interazioni dei farmaci con strutture biologiche e definizione dei loro meccanismi d’azione, è possibile identificare molto più facilmente target di farmaci e molecole candidate. Inoltre, utilizzando sistemi di IA, sarà possibile individuare dai dati disponibili integrati, qualsiasi proprietà biologica di un potenziale farmaco senza la necessità di ottenerla in laboratorio o di eseguire test sugli animali.

Attualmente sono necessari più di dieci anni e centinaia di milioni di Euro per arrivare a questo punto. L’IA può semplificare il processo e ridurre il tempo e il denaro necessari per lanciare questi nuovi farmaci. Inoltre, potrebbe indirizzare il processo di sintesi di questi composti verso percorsi più razionali e sicuri e meno impattanti per l’ambiente.

Sperimentazione clinica

La ricerca in ambito farmaceutico è costosa e ricca di fallimenti: recenti stime riferiscono che quasi il 90% delle sperimentazioni sui farmaci non porta al risultato desiderato.

Una delle principali cause di ritardo nelle sperimentazioni cliniche deriva dal processo di reclutamento dei pazienti. L’uso dell’IA può consentire di trovare i pazienti adatti agli studi clinici in modo più rapido ed efficiente, e anche di garantire che siano i candidati giusti, segmentandoli correttamente in base all’idoneità, alla motivazione e alla responsabilizzazione. In questo modo si riduce il numero di sperimentazioni potenzialmente infruttuose, accelerando il processo di ricerca e i tempi di approvazione dei nuovi farmaci.

I primi farmaci inventati e progettati grazie agli algoritmi sono già entrati in sperimentazione per malattie come la neurofibromatosi e la fibrosi polmonare idiopatica.

Analogo discorso vale per l’utilizzo di farmaci già in commercio verso indicazioni diverse rispetto a quelle già approvate.

Il riutilizzo di questi farmaci consente di ridurre i rischi e di accelerare il processo di sviluppo verso nuove indicazioni. L’intelligenza artificiale ha la capacità di generare più rapidamente un’ipotesi e di accelerare la sperimentazione clinica verso la nuova indicazione. 

Attività connesse alla produzione/distribuzione farmaceutica

È un comparto di sostanziale interesse industriale, ma alcuni aspetti sono importanti in termini di miglioramento della qualità e della sicurezza nei trattamenti di interesse per i pazienti e per gli operatori sanitari. In primo luogo, il beneficio che l’IA può comportare per i controlli durante la produzione. Infatti, l'adozione di tecnologie avanzate come il riconoscimento delle immagini e i sistemi analitici di controllo potranno avere un impatto notevole sulla produzione in tempo reale, aumentando la precisione dei processi di ispezione visiva e identificando difetti che spesso sfuggono all'occhio umano. Un secondo aspetto riguarda il fatto che i sistemi di IA possono prevedere in modo intelligente la domanda, ottimizzare la logistica e le scorte. Grazie all’uso dei Big Data e dell’IA, le aziende del settore possono analizzare grandi quantità di informazioni provenienti da diversi canali di comunicazione per migliorare l’accuratezza delle previsioni degli ordini attuali e futuri, prevenendo le carenze di farmaci che oggi invece si verificano.

Diagnostica

Anche la diagnostica potrebbe essere considerata estranea all’ambito farmaceutico, ma in realtà una diagnosi accurata può indirizzare verso un percorso terapeutico maggiormente efficace e sicuro per i pazienti. Infatti, l’IA è in grado di analizzare i dati dei pazienti e i risultati dei test per supportare diagnosi accurate e indirizzare il trattamento terapeutico. Con l’IA si potranno sviluppare strumenti diagnostici avanzati, come l’identificazione di modelli nelle immagini mediche e l’individuazione precoce delle malattie. 

Supporto alla corretta prescrizione farmaceutica

Già oggi sono largamente diffuse applicazioni informatiche che hanno l’obiettivo di prevenire gli errori di terapia in ambito ospedaliero, ma anche nella medicina primaria. Questi strumenti esperti oggi si occupano di segnalare le possibili interazioni con gli altri farmaci in terapia, le eventuali allergie e in ambito ospedaliero, di scandire il ritmo e la corretta somministrazione al paziente giusto del farmaco prescritto.

L’IA può fare molto di più, ovvero di suggerire in modo automatico (con conferma del prescrittore) i farmaci giusti e il corretto dosaggio in funzione delle patologie, delle caratteristiche e della storia clinica del paziente.  Esistono già esperienze in questo ambito, come quella riportata su Clinical Pharmacology and Therapeutics, di una collaborazione tra Google e l’Università della California relativa all’”addestramento” di un sistema di intelligenza artificiale in grado di effettuare prescrizioni mediche in modo accurato, imparando dagli stessi medici prescrittori. I risultati evidenziano come questo sistema ad oggi, sia in grado di riprodurre il comportamento e le decisioni dei medici con un’accuratezza che varia dal 55% al 93%.
Il sistema di intelligenza artificiale di Google, in altre parole, non ha ancora imparato modelli di prescrizione ottimali, così come non è ancora in grado di definire come potrebbero funzionare i farmaci prescritti o quali effetti collaterali potrebbero verificarsi, ma la strada è sicuramente tracciata.

Personalizzazione dei trattamenti

L’adattamento dei trattamenti medici (personalizzazione delle terapie) ai singoli pazienti è un principio fondamentale della medicina personalizzata. Gli algoritmi di IA possono analizzare grandi moli di dati dei pazienti, inclusi le informazioni genetiche, la storia clinica e le informazioni sullo stile di vita, per creare piani di trattamento personalizzati. Analizzando i dati relativi alle caratteristiche di ciascun paziente, l’IA può aiutare ad ottimizzare la scelta dei farmaci, il dosaggio e le strategie di trattamento, migliorando gli esiti terapeutici e riducendo gli effetti collaterali. Analogamente può essere utilizzata per sospendere farmaci in talune circostanze (es. pazienti anziani in politerapia) senza influire significativamente sul decorso naturale della malattia.

Disponibilità e utilizzo dei dati sanitari dei pazienti

L'intelligenza artificiale e i dati sanitari costituiscono un potente alleato per la sanità e la ricerca. In Italia, negli ultimi anni si sono registrati pochi e lenti progressi nell'utilizzo di queste tecnologie. Il fascicolo sanitario elettronico procede ancora troppo lentamente nelle adesioni e nello sviluppo di nuove funzioni (sono disponibili sostanzialmente solo le prescrizioni farmaceutiche, gli esami diagnostici e i ricoveri) per segnare una reale trasformazione nella condivisione e nella fruizione dei dati sanitari tra i diversi professionisti della salute in ospedale e nel territorio. Anche i dati derivanti dalla telemedicina o quelli registrati, mediante i sensori di un dispositivo mobile, possono essere raccolti ed elaborati in grandi quantità da parte di algoritmi di machine learning. Tutti questi dati, quando elaborati da sistemi di Intelligenza Artificiale, potrebbero diventare fonti di informazioni utili non solo per la ricerca, ma anche per migliorare e ottimizzare la cura dei pazienti. Purtroppo, la situazione della nostra sanità oggi è di grande difficoltà solo per fornire le prestazioni indispensabili e viaggia ancora a compartimenti separati o scarsamente dialoganti tra ospedale e territorio. 

L’IA nel campo della ricerca e delle pubblicazioni scientifiche

Nel mondo della ricerca scientifica, l'intelligenza artificiale è già una realtà consolidata che ha permesso di cambiare in modo radicale l’approccio e la rapidità con cui scienziati e ricercatori analizzano ed interpretano vasti insieme di dati. In questo ambito sta prendendo piede una particolare categoria di intelligenza artificiale generativa nota come "elaborazione del linguaggio naturale", comunemente abbreviata come LLM (dall’inglese Large Language Models). Dopo la fase di apprendimento, quando questi sistemi vengono messi di fronte ad una domanda scritta, sono in grado di comprenderla e di generare risposte grammaticalmente corrette e semanticamente adeguate. Le risposte generate sono talmente fluide e coerenti da sembrare il risultato del pensiero umano.

Questa intelligenza artificiale generativa potrebbe rappresentare un mezzo per ridurre il tempo dedicato allo studio della letteratura scientifica e alla stesura di articoli per aumentare il tempo disponibile per la conduzione delle sperimentazioni, cambiando il modo in cui sintetizzano e comunicano i risultati sperimentali.

Infatti, questi sistemi sono in grado di analizzare una vasta letteratura scientifica per estrarre informazioni rilevanti, accelerando il processo di revisione e la generazione di nuove ipotesi.

Ma anche sul fronte degli editori delle riveste in ambito scientifico sono in via di sviluppo strumenti automatici, basati sull'intelligenza artificiale, per aiutare o addirittura sostituire, gli esperti che effettuano la peer review, la revisione tra pari per la pubblicazione dei risultati scientifici. La peer review eseguita dall'IA promette ora di migliorare il processo, aumentare la qualità degli articoli pubblicati e far risparmiare tempo ai revisori.

Alcuni editori scientifici stanno sperimentando strumenti che coprono l'intero processo, dalla selezione dei revisori al controllo delle statistiche alla sintesi dei risultati di un articolo. Come, ad esempio, il colosso editoriale Elsevier che utilizza un software chiamato StatReviewer, per controllare che le statistiche e le metodologie dei manoscritti siano validi. Un'altra piattaforma, di peer review UNSILO, viene utilizzata da molte riviste in Danimarca, per analizzare i manoscritti. Questo strumento estrae inoltre automaticamente i concetti chiave per riassumere ciò di cui tratta l'articolo. 

Quali sono i rischi associati all'intelligenza artificiale

Quali potrebbero essere le criticità associate alla diffusione dell’IA? Occorre avere certezza che lo sviluppo di modelli di IA siano accurati e affidabili, che evitino errori diagnostici o decisioni di trattamento errati e che forniscano garanzie sulla sicurezza e sulla privacy dei dati dei pazienti.

L’ampliamento delle frontiere dei dati che possono essere utilizzati per inferire lo stato di salute individuale, così come coloro che possono accedervi, potrebbe sollevare preoccupazioni riguardo alla nostra autonomia e riservatezza. Un esempio di ciò è l’utilizzo dei dati sanitari da parte di aziende farmaceutiche e tecnologiche per fini commerciali. Inoltre, i dati relativi alla salute sono spesso afflitti da imperfezioni e pregiudizi. Quando vengono utilizzati per sviluppare sistemi di intelligenza artificiale, possono perpetuare discriminazioni ed esacerbare le disuguaglianze.

Un’altra preoccupazione di rilievo riguarda il modo in cui i progressi tecnologici contribuiscono alle disuguaglianze a livello nazionale e internazionale. Per questo motivo l’OMS, riconoscendo il grande potenziale dell’IA nell’accelerare la trasformazione digitale dell’assistenza sanitaria, nella nuova pubblicazione Regulatory considerations on Artificial Intelligence for health, elenca le principali considerazioni normative sull’Intelligenza Artificiale volte a promuovere un uso sicuro, efficace e responsabile della stessa in ambito sanitario.

Il documento, che fornisce indicazioni alle autorità pubbliche sull’IA applicata alla sanità, si inserisce nella strategia globale OMS sulla salute digitale 2020-2025 che mira a migliorare la salute di tutti in qualsiasi luogo e a qualunque età, tramite lo sviluppo e l’adozione di tecnologie digitali appropriate, accessibili, economiche, scalabili, sostenibili e incentrate sulla persona, al fine di prevenire, rilevare e rispondere alle malattie.

Conclusioni

Con questa carrellata di possibili impieghi dell’IA in ambito farmaceutico abbiamo solo intravisto le straordinarie potenzialità di questa tecnologia in molti settori legati più o meno direttamente al farmaco. Esistono però, ad oggi, diverse criticità riguardo l’applicazione di questa tecnologia in questo settore, come la disponibilità di grandi quantità di dati affidabili utili al training delle macchine; inoltre, i meccanismi di deep learning sono in parte ancora sconosciuti. Così come i meccanismi neurofisiologici dell’encefalo umano sono difficili da comprendere dall’esterno, allo stesso modo i network computazionali sono troppo complessi affinché il ricercatore comprenda la profonda natura di quanto suggerito dalla macchina. A questo si aggiunge la mancanza di linea guida e protocolli condivisi sulle modalità di training e correzioni della macchina necessari a questo scopo durante il processo stesso. Ci sono poi i rischi paventati dall’OMS relativi al modo in cui i progressi tecnologici possano contribuire alle disuguaglianze a livello nazionale e internazionale. Infine, dal punto di vista del paziente, questi possibili risultati straordinari, oggi si scontrano con una realtà della sanità italiana sottofinanziata e incapace di garantire risposte adeguate ai bisogni di salute della popolazione.

Riferimenti

Condividi sui social