Cos'è l'IA nel settore sanitario?

Con intelligenza artificiale (IA) nel settore sanitario si intende l'impiego di algoritmi addestrati con machine learning (ML) nelle tre macrocategorie che compongono il mercato sanitario: l'applicazione dell'assistenza sanitaria (life science), l'erogazione dell'assistenza sanitaria (fornitori di servizi sanitari) e la fruizione dell'assistenza sanitaria (contribuenti).

I recenti progressi nel campo del machine learning destinato all'addestramento di algoritmi hanno permesso di ampliare gli scenari di utilizzo dell'intelligenza artificiale nel settore sanitario, ottenendo risultati che superano di gran lunga l'IA reattiva dei primi tempi. Gli avanzamenti nell'ambito del machine learning rivestono un ruolo di fondamentale importanza nella trasformazione e modernizzazione del settore sanitario. 

Scopri le soluzioni Red Hat AI

Per poter analizzare e concretizzare soluzioni in base ai dati medici, è necessario rendere tali dati accessibili e utilizzabili. Una volta che il modello è stato addestrato con una quantità sufficiente di dati, la macchina può fare inferenza in nuove impostazioni. L'inferenza IA è la fase operativa dell'IA, ovvero il momento in cui il modello è in grado di applicare alle situazioni concrete ciò che ha appreso dall'addestramento. Solo così potremo ottenere applicazioni più ampie, efficaci ed efficienti nel settore dei servizi sanitari.

L'IA può essere suddivisa in quattro grandi categorie:

• IA reattiva: intelligenza artificiale che non utilizza il machine learning per migliorare e ogni volta che incontra la medesima situazione reagisce nello stesso identico modo.
• IA con memoria limitata: questo tipo di intelligenza artificiale utilizza il machine learning per creare algoritmi che si basano sulle prestazioni passate. È qui che si stanno verificando molti dei progressi attuali nell'ambito dell'IA, ed è per questo che si può vedere l'intelligenza artificiale indicata come AI/ML. Questo sistema coinvolge anche una branca del machine learning, chiamata deep learning, che attraverso diversi livelli di analisi è in grado di ricavare maggiori informazioni dai dati non elaborati.
• IA basata sulla teoria della mente: si tratta di un'IA capace di comprendere e ricordare le emozioni e di interagire con le persone sulla base di quel modello. Al momento, l'IA basata sulla teoria della mente si trova a uno stadio embrionale e prevalentemente teorico.
• IA autoconsapevole o IA "reale": si tratta di un'IA consapevole delle proprie emozioni, con un livello di coscienza simile a quello degli esseri umani. L'IA autoconsapevole è ancora a uno stadio teorico.

Quando si parla di IA nel settore sanitario, si fa riferimento in gran parte ai rapidi progressi sia negli algoritmi che nelle applicazioni dell'IA con memoria limitata.

Come utilizzare l'IA in un contesto aziendale 

I progressi nel campo dell'IA hanno un impatto significativo non solo sulla cura dei pazienti, perché permettono a medici e personale interessato di diagnosticare le malattie e fornire un piano terapeutico in maniera più accurata, ma anche sul lavoro degli amministratori, perché consentono loro di distribuire le risorse mediche in maniera precisa e puntuale.

Questo va a vantaggio delle tre macrocategorie del settore sanitario (scienze della vita, prestatori di servizi sanitari e contribuenti) in molti modi. La possibilità di acquisire, distribuire e utilizzare informazioni aggiornate in maniera più efficiente aiuta il personale medico nel trattamento dei pazienti, accelera la raccolta dei dati da diverse sorgenti che migliora la gestione delle condizioni esistenti e aiuta a prevedere o identificare l'insorgenza di nuove condizioni o malattie. 

Grazie a processi di distribuzione dei dati più efficienti, gli amministratori possono stabilire le priorità e verificare le richieste di rimborso in modo mirato, semplificando l'intero processo e migliorando l'accuratezza e la velocità delle informazioni comunicate a pazienti, clienti e fornitori. Nel complesso, la raccolta dei dati negli algoritmi relativi al settore sanitario può aiutare a prevedere i rischi futuri e offrire agli amministratori di competenza più potere per gestire e migliorare le cure a disposizione della società.

Ecco alcuni modi in cui l'IA nel settore sanitario si dimostra un'importante risorsa per pazienti, prestatori di servizi sanitari e contribuenti:

Diagnosi più rapide
Le informazioni sui dati elaborati dagli algoritmi di IA e dall'analisi predittiva in tempo reale permettono di formulare diagnosi più rapidamente. Pertanto, i pazienti ottengono una terapia in minor tempo e ciò aumenta le probabilità di guarigione e consente di utilizzare meno risorse per risolvere il problema. Ad esempio, HCA Healthcare, uno dei principali prestatori di servizi sanitari degli Stati Uniti, ha utilizzato le soluzioni Red Hat per realizzare un sistema di analisi predittiva in tempo reale in grado di rilevare in modo più rapido e accurato i segni della sepsi, una condizione potenzialmente letale.

Gestione delle richieste di rimborso
Per gestire la burocrazia delle richieste mediche e dei pagamenti possono essere necessarie migliaia di ore di lavoro. Inoltre, l'elaborazione manuale delle richieste aumenta il rischio di commettere errori, il che va a discapito sia dei pazienti, sia dell'ente erogatore del servizio. L'intelligenza artificiale consente di automatizzare l'invio e offre suggerimenti basati sull'analisi dei dati relativa alla gestione delle richieste di rimborso. Può essere quindi una risorsa in grado di accelerare l'elaborazione delle richieste, migliorando l'esperienza di dipendenti e clienti.

Frodi, sprechi e abusi
L'automazione robotica dei processi (RPA) è in grado di esaminare documenti con una velocità e un'accuratezza di molto superiori a quelle di un intervento manuale. Questi algoritmi sono quindi utili per individuare eventuali attività fraudolente o sprechi, senza contare che migliorano nel tempo diventando più efficaci nel rilevare i problemi.

Ampliamento dell'accesso alle offerte sanitarie
I sistemi di diagnosi assistiti dall'IA aumentano il numero di pazienti fruitori dei servizi. Ad esempio, la radiologia o l'imaging biomedico assistiti dall'IA permettono a un maggior numero di professionisti di interpretare gli ultrasuoni e contribuiscono a ridurre gli ostacoli causati dalla mancanza di specialisti e ad aumentare il numero di pazienti che hanno accesso a tale tecnologia.

Sviluppo di farmaci
Lo sviluppo di nuovi farmaci richiede di determinare le dosi e le modalità di somministrazione. Gli strumenti di IA computazionale sono in grado di migliorare o persino sostituire gli approcci "trial and error" e forniscono modelli più rapidi ed efficienti per monitorare l'intero processo. In questo modo è possibile accelerare lo sviluppo di nuovi farmaci e ridurre i costi per l'azienda farmaceutica e per i clienti finali.

Sebbene l'IA nel settore sanitario possa offrire numerosi vantaggi, la sua implementazione può comportare un certo numero di sfide complesse. Alcune delle sfide che l'IA sta affrontando nel settore sanitario sono:

Raccolta e gestione dei dati
Molti sono gli ostacoli legati al processo di raccolta, analisi e utilizzo dei dati sanitari.

Perché possa generare e alimentare algoritmi rilevanti, l'IA deve elaborare grandi volumi di dati in tempo reale. Questo pone il problema complesso e molto sfaccettato della raccolta dei dati.

L'hardware, il software e le procedure per la raccolta dei dati devono essere inseriti nei flussi di lavoro del settore sanitario. I flussi di lavoro del settore sanitario sono strutturati attorno a gerarchie e modelli specifici e su una certa quantità di input manuale. I dati sanitari non sono centralizzati in un unico database ma distribuiti su una varietà di reti; in alcuni casi, non vengono neppure riportati dal formato cartaceo a quello digitale.

Per ridurre gli attriti in questo processo e garantire che le organizzazioni possano sfruttare al meglio le implementazioni di IA e ML, è necessario che tutti gli stakeholder coinvolti nel processo (inclusi data scientist, team IT, responsabili delle operazioni, professionisti del settore sanitario, provider, fornitori di software indipendenti (ISV), fornitori e altre figure) raggiungano una visione condivisa. Per far fronte a questa sfida, gli stakeholder potrebbero dover utilizzare un software agile e indipendente dal fornitore per articolare al meglio i problemi e sfruttare dati puliti e scalabili compatibili con più ISV.

È necessario raccogliere i dati e convertirli in formati interoperabili e utilizzabili che possano essere integrati con le informazioni raccolte da varie sorgenti. Per trasmettere i dati dai punti della rete in cui vengono raccolti, a volte attraverso dispositivi edge, è necessaria una grande quantità di larghezza di banda. Lo spazio di storage si sta espandendo a un ritmo preoccupante a causa dell'enorme quantità di dati raccolti nei sistemi sanitari, in particolare per quanto riguarda l'imaging medico, l'IOMT e l'edge.

Il cloud computing offre prestazioni elevate e una capacità sufficiente per affrontare queste sfide; ciononostante in molti casi può rivelarsi poco pratico, specialmente nelle zone rurali e nelle aree che non dispongono di infrastrutture IT e sanitarie solide. Per risolvere questo problema è necessario adottare soluzioni convenienti dal punto di vista dei costi, che migliorino le operazioni all'edge della rete e analizzino i dati nel punto di assistenza.

Scopri di più sulla gestione operativa dell'IA

La riuscita del deployment dei carichi di lavoro dell'IA in modo scalabile dipende dall'efficienza e dall'efficacia della collaborazione tra i componenti in movimento. Nello specifico, i server di inferenza in grado di supportare modelli di IA più grandi (come gli LLM) e capacità di inferenza più complesse sono essenziali per la scalabilità dei carichi di lavoro di IA per l'azienda.

Per accedere a una scalabilità rapida, questi strumenti di IA utilizzano le risorse in modo più efficiente:

• llm-d: I prompt degli LLM possono essere complessi e non uniformi. In genere richiedono grandi risorse di elaborazione e storage per elaborare grandi quantità di dati. Un framework IA open source come llm-d consente agli sviluppatori di utilizzare tecniche come l'inferenza distribuita per supportare le crescenti richieste di modelli di ragionamento sofisticati e di grandi dimensioni come gli LLM.
• Inferenza distribuita: con l'inferenza distribuita i modelli di IA elaborano i carichi di lavoro in modo più efficiente, suddividendo le attività di inferenza su un gruppo di dispositivi interconnessi. È l'equivalente software del proverbio "l'unione fa la forza".  
• vLLM: acronimo di "virtual large language model" (modello di linguaggio virtuale di grandi dimensioni), è una libreria di codice open source gestita dalla community vLLM, che consente ai modelli linguistici di grandi dimensioni (LLM) di svolgere calcoli in modo scalabile e più efficiente.

Scopri in che modo Red Hat AI integra strumenti e funzionalità per aiutare i clienti a utilizzare l'IA in modo scalabile.

Scopri le soluzioni Red Hat AI

Red Hat AI è una piattaforma di prodotti e servizi che facilitano ogni fase del percorso con l'IA, che tu sia alle fasi iniziali o già in ottica di scalabilità. Inoltre, è in grado di sostenere le iniziative di IA generativa e predittiva negli scenari di utilizzo esclusivi della tua azienda.

Con Red Hat AI, hai accesso a Red Hat® AI Inference Server, così potrai ottimizzare l'inferenza dei modelli nel cloud ibrido per deployment più rapidi ed economici. Basato su vLLM, il server di inferenza massimizza l'utilizzo della GPU e accelera i tempi di risposta.

Scopri di più su Red Hat AI Inference Server 

Red Hat AI Inference Server include il repository Red Hat AI, una raccolta di modelli di terze parti convalidati e ottimizzati che garantisce la flessibilità dei modelli e promuove la coerenza tra i team. Con l'accesso al repository dei modelli di terze parti, le aziende possono accelerare i tempi di rilascio e ridurre gli ostacoli finanziari al successo dell'IA.

Scopri di più sui modelli convalidati da Red Hat AI