Tutti avremo un algoritmo personale di famiglia per la gestione della nostra salute

In futuro ogni persona avrà il suo algoritmo personale per la gestione della propria salute sia in ambito preventivo che in fase di cura e gestione delle eventuali terapie.

Milioni di dati sulla salute di singoli individui (Personal Health Record) confluiscono quotidianamente su migliaia di data lake sparsi nel mondo digitale. Molti sono pubblici, altri accessibili previa moderazione, alcuni ad uso esclusivo dell’owner del data lake.

L’analisi di questi dati attraverso i più moderni sistemi di intelligenza artificiale è destinata a cambiare radicalmente la medicina del futuro e le abitudini delle persone la cui aspettativa di vita è sicuramente destinata ad aumentare sensibilmente nei prossimi decenni.

Vi basterà googlare un po’ per trovare centinaia di possibili scenari futuri ma basta guardare questo video di Gianluca Mauro per comprendere il potenziale che l’intelligenza collettiva globale ha di generare impatti significativi attraverso l’applicazione dell’intelligenza artificiale in ambito healthcare.

Ogni intuizione di un ricercatore può essere rapidamente validata o smentita grazie ai modelli di machine learning ed alla potenza di calcolo oggi disponibile a costi accessibili. Il tutto in tempi inimmaginabili rispetto alle metodologie di ricerca e sviluppo utilizzate fino a pochi anni fa.

Seppur sia necessaria una competenza medico-scientifica per effettuare un reale approfondimento è comunque possibile adottare delle semplificazioni per farsi un’idea.

Le prime applicazioni che vedranno la luce infatti saranno legate alla definizione di programmi di prevenzione (o di supporto alla terapia) più che di cura, intese come vere e proprie terapie digitali.

Programmi il cui punto di partenza sarà quello di definire un indice di rischio dell’individuo attraverso modelli già da tempo utilizzati come gli health risk assessment per poi darsi l’obiettivo di contenerlo o di migliorarlo nel tempo.

Ma di che dati stiamo parlando? Semplificando possiamo identificare quattro dataset:

• Caratteristiche demografiche come età, sesso
• Stile di vita come esercizio fisico, fumo, consumo di alcol, dieta
• Anamnesi personale e familiare
• Dati fisiologici come peso, altezza, pressione sanguigna, BMI

Spesso gli HRA, per essere scientificamente validati, devono raccogliere una vastissima serie di informazioni e sono comunque solo in grado di fare una fotografia dell’individuo nel momento in cui questo lo compila.

Oggi, soprattutto grazie alla diffusione dei wearable device, abbiamo la possibilità di registrare dati quotidianamente. Si tratta di una differenza sostanziale che non ha precedenti in quanto l’analisi non è più fatta sulla fotografia del momento ma sulla base dei trend che si vogliono monitorare.

Di conseguenza i programmi verranno progettati con l’obiettivo di monitorare i trend in focus (prevenzione generale, gestione di una malattia cronica, decorso operatorio, etc) e di proporre attività e suggerire comportamenti che consentano al paziente di correggere eventuali trend negativi, supportare l’aderenza terapeutica o che possano compromettere l’outcome terapeutico.

Il semplice monitoraggio con cadenza regolare dei parametri di base e l’esecuzione di alcuni test diagnostici possono costituire gli elementi sufficienti per la definizione di un programma di prevenzione capace di impattare sensibilmente sulla salute delle persone.

Niente di nuovo sia chiaro, ma la differenza sta nel fatto che oggi lo si può fare senza richiedere alle persone un comportamento attivo (principale tallone di Achille in ambito prevenzione). La maggior parte di questi dati viene raccolta dai wearable in modo passivo e se poi si decide di condividere questi dati con Piattaforme (vedi Paginemediche) o App che li analizzano e propongono regolari esami diagnostici sulla base di età e sesso, il programma prevenzione di base è servito.

L’analisi dei dati valuta semplicemente se i parametri rientrano nelle soglie previste e quando non lo sono invia una notifica alla persona e, quando possibile, anche al medico di famiglia che lo ha in carico.

Ad un parametro fuori soglia si potrà quindi associare il suggerimento di una serie di attività mirate al ripristino del parametro entro le soglie di normalità e dare il via allo sviluppo di programmi sempre più articolati. Dai parametri di base per la prevenzione si potranno poi sviluppare programmi specifici per ogni malattia aggiungendo i parametri ah hoc necessari che dovranno essere monitorati.

Ricapitolando, un programma si basa su parametri, soglie ed attività da proporre al paziente quando i parametri sono fuori soglia.

A questo punto entra in gioco l’intelligenza artificiale aprendo scenari di sviluppo di grandissimo interesse.

Come detto, infatti, i dati vengono raccolti quotidianamente nel tempo e l’analisi dei trend aumenta di complessità ad ogni parametro inserito.

I parametri, infatti, possono essere influenzati da un vasto numero di fattori (ambiente, comportamento, alimentazione, medicinali assunti, etc.) mentre gli intervalli di soglia necessitano di una personalizzazione per ogni singolo individuo. Ad esempio, un parametro in soglia di allerta per un individuo sano può essere ritenuto normale per un paziente cronico.

Fino ad oggi la raccolta e la condivisione di questi dati è stata molto limitata se paragonata allo scenario fino ad ora descritto e le soglie sono state definite su base statistica per tutti i pazienti con i soli (sempre in paragone) dati disponibili. La personalizzazione, come è giusto che sia, viene definita dal medico curante sulla base della storia clinica del paziente.

Capita poi il giorno in cui il paziente ha un parametro fuori soglia che poi torna in media il giorno dopo. Un evento del genere, probabilmente, non verrà neanche preso in considerazione nella valutazione generale che il medico svolge periodicamente ma non certo quotidianamente.

Anche se volesse indagare dovrebbe raccogliere una serie di informazioni troppo vasta: il giorno prima cosa ha mangiato? Ha fatto esercizio? Come ha dormito? Ha preso la medicina come previsto? etc. etc.

Dati che oggi possono essere disponibili ma analizzabili solo da moderni algoritmi “addestrati” ad identificare anomalie e nuovi pattern all’interno di un universo di utenti/pazienti.

Dati, potenza di calcolo e moderne metodologie di machine learning possono portare alla luce informazioni completamente nuove ed impossibili da intravedere, passatemi il termine, ad occhio umano.

L’intelligenza artificiale potrà quindi validare e, costantemente, migliorare i programmi salute (qui un report di IQVIA sui trend digitali ed i Digital Care Program) del futuro digitalizzando il percorso salute dell’utente e, per eventi acuti o cronici, quello del paziente.

Oggi questi algoritmi stanno muovendo i primi passi analizzando dati di migliaia di individui perchè di questo hanno bisogno, una gran mole di dati che, come singoli individui, non abbiamo ancora avuto il tempo di raccogliere.

Tra dieci anni però i dati saranno probabilmente sufficienti ad addestrare un algoritmo sullo storico di dati di un singolo individuo ed anche di un nucleo familiare viste le importanti correlazioni in ambito genetico.

Un algoritmo che la famiglia si potrà tramandare come uno dei beni più importanti da lasciare agli eredi futuri.

E voi state raccogliendo i vostri primi dati? Dove li state archiviando? Ed avete già pensato che utilizzo se ne potrebbe fare nel prossimo futuro?