211service.com
Un controllo di realtà per le ambizioni AI di IBM
IBM, numero 39 nella nostra lista delle 50 aziende più intelligenti, ha sovrastimato il suo sistema di apprendimento automatico Watson, ma l'azienda potrebbe comunque avere il miglior accesso al tipo di dati necessari per rendere la medicina molto più intelligente. 27 giugno 2017
Leonardo Greco
Paul Tang era con sua moglie in ospedale subito dopo il suo intervento chirurgico di sostituzione del ginocchio, una procedura eseguita su circa 700.000 persone negli Stati Uniti ogni anno. Il chirurgo è passato e Tang, che è lui stesso un medico di base, ha chiesto quando si aspettava che tornasse alla sua normale routine, data la sua esperienza con pazienti come lei. Il chirurgo continuava a dare vaghe non risposte. Alla fine mi ha colpito, dice Tang. Non lo sapeva. Tang imparerebbe presto che la maggior parte dei medici non sa come si comportano i propri pazienti nelle normali misure della vita a casa e al lavoro — le misure che più contano per i pazienti.
Tang vede ancora i pazienti come un medico, ma è anche Chief Health Transformation Officer per Watson Health di IBM (vedi '50 Smartest Companies 2017'). Questo è il gruppo aziendale che sviluppa applicazioni sanitarie per Watson, il sistema di apprendimento automatico che IBM è essenzialmente scommettendo sul suo futuro. Watson potrebbe fornire informazioni che i medici non ottengono ora, afferma Tang. Potrebbe dire a un medico, ad esempio, quanto tempo impiegava pazienti simili alla moglie di Tang a camminare senza dolore o a salire le scale. Potrebbe anche aiutare ad analizzare immagini e campioni di tessuto e determinare i migliori trattamenti per un dato paziente.
Questa storia faceva parte del nostro numero di luglio 2017
- Vedi il resto del problema
- sottoscrivi
È grazie a possibilità come questa che l'assistenza sanitaria è uno dei segmenti più caldi del mercato delle tecnologie di apprendimento automatico. La società di ricerca CB Insights conta almeno 106 startup nate dal 2013 e ancora in attività.
Nessuna di queste società ha raccolto nemmeno lontanamente l'attenzione di Watson, grazie alla sua vittoria nel quiz televisivo Pericolo! nel 2011 e da allora lo zelante marketing di IBM. Ma ultimamente, gran parte della stampa per Watson è stata negativa. Una collaborazione fortemente promossa con l'MD Anderson Cancer Center di Houston è andata in pezzi quest'anno. Poiché le entrate di IBM sono svenute e il prezzo delle sue azioni è oscillato, gli analisti si sono chiesti quando Watson fornirà effettivamente molto valore. Watson è uno scherzo, ha detto Chamath Palihapitiya, un influente investitore tecnologico che ha fondato la società di VC Social Capital. CNBC a maggio.
Tuttavia, la maggior parte delle critiche a Watson, anche da parte di M.D. Anderson, non sembrano radicate in nessun particolare difetto della tecnologia. Invece, è una reazione alle affermazioni eccessivamente ottimistiche di IBM su quanto lontano sarebbe ormai Watson. In effetti, sembra ancora probabile che Watson Health sarà leader nell'applicazione dell'IA ai problemi dell'assistenza sanitaria. Se Watson non ha ancora realizzato molto in questo senso, uno dei motivi principali è che ha bisogno di determinati tipi di dati da addestrare. E in molti casi tali dati sono scarsi o di difficile accesso. Questo non è un problema esclusivo di Watson. È un catch-22 che affronta l'intero campo dell'apprendimento automatico per l'assistenza sanitaria.
Sebbene il problema dei dati mancanti e inaccessibili possa rallentare Watson, potrebbe danneggiare maggiormente i concorrenti di IBM. Questo perché la soluzione migliore per ottenere i dati risiede in una stretta collaborazione con le grandi organizzazioni sanitarie che tendono ad essere tecnologicamente conservatrici. E una cosa che IBM fa ancora molto bene rispetto alle startup, o anche ai rivali giganti come Apple e Google, è guadagnarsi la fiducia dei dirigenti e dei responsabili IT delle grandi organizzazioni. Nonostante i problemi specifici con il progetto MD Anderson, IBM ha un vantaggio cruciale. Sta portando Watson all'interno di un'ampia gamma di centri medici, gruppi di amministrazione sanitaria e società di scienze della vita, tutti posizionati per fornire i dati critici necessari per plasmare il futuro dell'IA in medicina.
Cronologie non realistiche
La rottura con MD Anderson sembrava mostrare IBM soffocare per il proprio clamore su Watson.
Il centro oncologico e IBM hanno collaborato nel 2012. L'obiettivo era che Watson leggesse i dati sui sintomi, la sequenza genica e i rapporti patologici di qualsiasi paziente, li combinasse con le note dei medici sul paziente e gli articoli di giornale pertinenti e quindi aiutasse i medici a elaborare diagnosi e trattamenti. Ma IBM e MD Anderson hanno entrambi esagerato le aspettative per la tecnologia. IBM reclamato nel 2013 è emersa e ha dato vita una nuova era dell'informatica Forbes l'impressione che Watson ora affronta le sperimentazioni cliniche e sarebbe in uso con i pazienti nel giro di pochi mesi. Nel 2015 il Washington Post ha citato un manager di IBM Watson descrivendo come Watson fosse impegnato a stabilire un modello di intelligenza collettiva tra macchina e uomo. Il Inviare ha detto che il sistema informatico si stava allenando insieme ai medici per fare ciò che non possono.
L'assistenza sanitaria ha adottato la tecnologia in modo imbarazzante in ritardo, afferma Manish Kohli, medico ed esperto di informatica sanitaria presso la Cleveland Clinic.
Nel febbraio di quest'anno, l'Università del Texas, che gestisce MD Anderson, ha annunciato di aver chiuso il progetto, lasciando il centro medico fuori $ 39 milioni in pagamenti a IBM — per un progetto originariamente contratto a $ 2,4 milioni. Dopo quattro anni non aveva prodotto uno strumento da utilizzare con i pazienti che fosse pronto ad andare oltre i test pilota. Il dottor Anderson non mi ha voluto commentare in modo specifico su Watson, ma sembra che i problemi derivassero principalmente da lotte interne su come il progetto è stato gestito e finanziato.
Questo non vuol dire che IBM non abbia problemi con Watson. In effetti, sono più grandi di quanto rivela qualsiasi implementazione.
Per capire cosa sta rallentando i progressi, devi capire come vengono addestrati i sistemi di apprendimento automatico come Watson. Watson apprende modificando continuamente le sue routine di elaborazione interna al fine di produrre la più alta percentuale possibile di risposte corrette su una serie di problemi, ad esempio quali immagini radiologiche rivelano il cancro. Le risposte corrette devono essere già note, in modo che il sistema possa sapere quando fa qualcosa di giusto e quando sbaglia qualcosa. Più problemi di allenamento il sistema può affrontare, migliore sarà la sua percentuale di successo.
È relativamente semplice quando si tratta di addestrare il sistema a identificare le neoplasie nei raggi X. Ma per enigmi potenzialmente innovativi che vanno ben oltre ciò che gli esseri umani già fanno, come rilevare le relazioni tra variazioni genetiche e malattie, Watson ha un problema con l'uovo e la gallina: come si allena su dati che nessun esperto ha già setacciato e organizzato correttamente ? Se stai insegnando a un'auto a guida autonoma, chiunque può etichettare un albero o un segno in modo che il sistema possa imparare a riconoscerlo, afferma Thomas Fuchs, un patologo computazionale al Memorial Sloan-Kettering, un centro oncologico di New York. Ma in un settore specializzato in medicina, potresti aver bisogno di esperti formati per decenni per etichettare correttamente le informazioni che fornisci al computer.
Una qualche versione di quell'ostacolo emerge in ogni dominio in cui IBM spera che Watson contribuisca — come fa per qualsiasi soluzione di machine learning di qualsiasi azienda. Per addestrare Watson a esaminare enormi pool di dati ed estrarre le poche informazioni importanti per un singolo paziente, qualcuno deve prima farlo manualmente, per migliaia e migliaia di casi. Per riconoscere i geni legati alla malattia, Watson ha bisogno di migliaia di registrazioni di pazienti che hanno malattie specifiche e il cui DNA è stato analizzato. Ma queste combinazioni di gene e record del paziente possono essere difficili da trovare. In molti casi, i dati semplicemente non esistono nel formato corretto — o in qualsiasi forma. Oppure i dati possono essere sparsi in dozzine di sistemi diversi e con cui è difficile lavorare.
Si consideri, ad esempio, l'obiettivo di migliorare le cure primarie mettendo a disposizione dei medici dati migliori. Quando i medici perdono l'occasione di trattare problemi relativamente minori durante una visita di routine di assistenza primaria, prima che un problema più avanzato mandi i pazienti al pronto soccorso oa uno specialista, la loro salute ne risente e i costi esplodono. Circa un terzo di ogni dollaro speso per la salute è probabilmente non necessario, afferma Anil Jain, chief medical officer di IBM Watson Health, che è anche un medico di base praticante. L'apprendimento automatico è ampiamente riconosciuto come un'opportunità per affrontare questo problema.
Per aiutare davvero i medici a ottenere risultati migliori per i pazienti, tuttavia, Watson dovrà trovare correlazioni tra ciò che legge nelle cartelle cliniche e ciò che Tang chiama tutti i determinanti sociali della salute. Questi fattori includono se i pazienti sono privi di droghe, evitano i cibi sbagliati, respirano aria pulita e così via. Ma Tang ammette che oggi quasi nessun ospedale o studio medico ottiene quei dati in modo affidabile per una percentuale significativa di pazienti. Parte del problema è che gli ospedali sono stati lenti ad adottare pratiche moderne basate sui dati. L'assistenza sanitaria ha adottato la tecnologia in modo imbarazzante in ritardo, afferma Manish Kohli, medico ed esperto di informatica sanitaria presso la Cleveland Clinic.
Laddove i dati esistono, IBM è semplicemente uscita e li ha acquistati. Ha acquisito aziende come Truven Health Analytics, Explorys e Phytel, tutte attive nella gestione di grandi set di dati in ospedali e popolazioni di pazienti. E anche dopo la fine dell'accordo con M.D. Anderson, IBM ha alcune partnership fondamentali che favoriscono l'accesso ai dati dei pazienti.
Uno di questi è con Atrius Health, una rete di quasi 900 medici per lo più di assistenza primaria in tutta l'area di Boston. La partnership mira a sviluppare e testare un sistema basato su Watson in grado di estrarre pepite di informazioni critiche per un singolo paziente da un oceano di note, record e articoli. La ricerca di tutte le informazioni rilevanti è un lavoro oneroso per i medici di base poiché le cose esistono oggi, afferma Joe Kimura, chief medical officer di Atrius. Le cartelle cliniche elettroniche potrebbero aver aggravato il problema, aggiunge, perché l'avvento di tali sistemi ha enormemente aumentato la quantità di dati generati in ogni visita, senza fornire un formato standard per consentirne un facile recupero.
Fondamentalmente, molte delle note più importanti nelle cartelle dei pazienti sono frasi a cui un sistema IT convenzionale non può dare un senso. Ma Watson può applicare le capacità di elaborazione del linguaggio naturale sviluppate per Pericolo! per trarne significato. Idealmente, potrebbe quindi suggerire modi in cui i medici possono aiutare i pazienti a evitare la necessità di cure estese. Perché dovremmo concentrarci solo sull'assicurarci di aver svolto il miglior lavoro possibile con i pazienti che si rompono un'anca, chiede Kimura, quando possiamo cercare di prevedere quali pazienti sono a rischio di cadute e aiutarli a non rompersi affatto l'anca ? Dobbiamo spingere le nostre cure a monte.
Un medico leucemia presso MD Anderson, Courtney DiNardo, ha utilizzato il sistema Watson di IBM durante la consultazione con un paziente nel 2013.
IBM ha annunciato nel 2015 che le capacità diagnostiche di Watson sarebbero state potenziate dai dati ottenuti da Merge Healthcare, una società di gestione delle immagini mediche che IBM ha acquistato per circa 1 miliardo di dollari.
Watson Health sta inoltre collaborando con la Central New York Care Collaborative, un'agenzia finanziata dal governo statale che lavora con circa 2.000 operatori sanitari in sei contee. La partnership ha lo scopo di sostenere l'obiettivo di una riduzione del 25% dei ricoveri in pronto soccorso e delle riammissioni ospedaliere, quando i pazienti che sono stati dimessi da un ospedale devono tornare per affrontare problemi correlati. Fornisce inoltre un potenziale accesso a grandi quantità di dati dei pazienti.
Ci sono altri modi per ottenere tali dati. Una delle società sorelle di Google sta cercando di ottenerlo direttamente dai pazienti stessi. Verily Life Sciences, una divisione sanitaria di Alphabet, sta collaborando con Duke e Stanford per sviluppare un database sanitario altamente strutturato su circa 10.000 volontari. Il database sarà riempito con le informazioni non solo dalle loro visite cliniche, ma anche da dispositivi indossabili per il monitoraggio della salute. Potrebbe essere un passo avanti promettente nell'accesso ai dati, anche se potrebbe essere necessario un decennio o più per produrre risultati altamente utilizzabili.
Il gruppo di Fuchs al Memorial Sloan-Kettering spera di addestrare un sistema di intelligenza artificiale per leggere i vetrini con colorazione dei tessuti, un processo che richiederà una vasta libreria di vetrini annotati digitalmente con diagnosi confermate e altri dati critici. Quindi il gruppo si sta attrezzando per produrre da solo 40.000 diapositive di questo tipo al mese. È molto più di chiunque altro, dice Fuchs. È un compito enorme a causa di tutta la variabilità in biologia.
Anche M.D. Anderson, nonostante il destino del progetto Watson, sta portando avanti un vasto programma iniziato più o meno nello stesso periodo, incentrato sulla raccolta di 1.700 tipi di dati clinici su ogni paziente che varca le sue porte. Andy Futreal, lo scienziato che gestisce il programma, afferma che combinare le informazioni sui pazienti con i dati della ricerca sarà fondamentale per il tipo di capacità che sistemi come Watson potrebbero fornire. Una volta che abbiamo i dati in atto, ora puoi entrare nel business dell'apprendimento automatico dell'intelligenza artificiale scoprendo quei fattori che determinano chi fa e chi non fa bene con diversi trattamenti, afferma Futreal.
IBM, da parte sua, continua ad accumulare dati dalle partnership. Per la sola diagnosi e cura del cancro, l'azienda ha collaborato con il Memorial Sloan-Kettering, la Mayo Clinic, il Broad Institute affiliato ad Harvard e al MIT e il gigante dei test medici Quest Diagnostics. La collaborazione Memorial Sloan-Kettering ha già prodotto un sistema che setaccia la letteratura dei giornali per informare le decisioni terapeutiche, ed è stato implementato presso il Jupiter Medical Center in Florida e una catena di ospedali in India. Sul fronte della scoperta di farmaci, Watson Health sta lavorando con il Barrow Neurological Institute, dove Watson ha aiutato a trovare cinque geni legati alla SLA che non erano mai stati associati alla malattia, e con l'Ontario Brain Institute, dove Watson ha identificato 21 potenziali farmaci promettenti candidati.
Watson alla fine farà la differenza nel migliorare i risultati sanitari e nell'abbassare i costi? Probabilmente, afferma Stephen Kraus, un partner dell'azienda di VC Bessemer Venture Partners che si concentra sull'assistenza sanitaria e ha investito in startup sanitarie con intelligenza artificiale. È tutto reale, dice Kraus. Non si tratta di lanciare vaporware per aumentare i prezzi delle azioni. Ma Kraus si unisce alla maggior parte degli esperti nel mettere in guardia contro scadenze o promesse non realistiche — alcuni dei quali provengono dalla stessa IBM. È difficile, dice. Non sta accadendo oggi e potrebbe non accadere tra cinque anni. E non sostituirà i medici.