Quando si tratta di sfruttare l’intelligenza artificiale per il mondo della salute, la distanza tra il panorama delle idee e la realtà applicativa è ancora notevole. Il rischio principale è quello di finire nella trappola del cosiddetto ciclo hype-delusione, oscillando tra la prospettiva eccessiva di una rivoluzione indotta dall’AI e lo sconforto per le complessità di tradurre in soluzioni concrete le potenzialità abilitate dalla tecnologia.

Per approfondire il tema ne abbiamo discusso per Innlifes con due esperti del tema quali sono Patrizio Armeni e Lorenzo Diaferia, rispettivamente Professore di Practice e Lecturer alla SDA Bocconi School of Management e ricercatore presso il LIFT Lab, il laboratorio che si occupa della convergenza tra life science e tecnologie digitali. Li abbiamo incontrati a margine del loro intervento all’AI Festival di Milano – l’evento internazionale dedicato al mondo dell’intelligenza artificiale che si è tenuto a Milano gli scorsi 14 e 15 febbraio – in un filone dedicato agli scenari collegati all’AI e all’interno del palinsesto organizzato da SDA Bocconi. Fulcro della questione: il passaggio, per l’IA in sanità, da modello a sistema, ossia da potenzialità in astratto a soluzione integrata concreta.

Patrizio Armeni, che cosa significa passare da un modello AI a un sistema AI integrato? E come mai è così difficile?

La rivoluzione tecnologica, che dal punto di vista tecnico segna una discontinuità fortissima con il passato, sul fronte implementativo può rappresentare una sfida complessa. In altri termini, non è detto che ciò che funziona in condizioni sperimentali in setting predisposti ad hoc (i modelli AI, per come vengono spesso studiati e pubblicati a livello di ricerca) sia anche implementabile. Ci sono tanti passaggi, nessuno ovvio o scontato, tra l’idea (o il modello) e il mondo reale, quello degli utilizzatori di tutti i giorni.

Ma il problema più grande sono le aspettative. Infatti, quando leggiamo una notizia che ci informa, per esempio, di una nuova applicazione dell’intelligenza artificiale in grado di interpretare le immagini usate per diagnosticare le malattie in modo immediato e preciso, ci aspetteremmo che già da domani – visto che la tecnologia esiste – tutti gli ospedali e i medici la adottino e le diagnosi siano più rapide e meno affette da errore. Altrettanto improvvisamente leggiamo che le cose, nei contesti reali, possono andare molto diversamente, come avvenuto nel caso di un modello sviluppato tempo fa per la retinopatia diabetica che, in un contesto applicativo reale in cui è stato studiato, malgrado le alte aspettative ha portato a un quinto delle immagini addirittura non analizzabili dall’AI stessa. Leggendo queste notizie, non possiamo non rimanerne delusi e sfiduciati: tanto più alta l’aspettativa, tanto maggiore la delusione. Questo meccanismo rende l’implementazione più difficile perché genera cicli di hype e sfiducia che distraggono tutti dai veri passi implementativi che, come dicevamo, non sono semplici e vanno conosciuti e affrontati con la dovuta attenzione e la necessaria gradualità.

Quali aspetti e quali rischi dell’AI meritano di essere più attentamente valutati quando si tratta del comparto health?

Parlando proprio di passi implementativi, le applicazioni dell’AI al mondo health sono paradigmatiche. Abbiamo innanzitutto un problema di dati, perché molto spesso le dimostrazioni delle potenzialità dell’AI allo stadio di modelli si basano su input ideali, costruiti apposta o fortemente dipendenti dal contesto di sviluppo, istruendo i sistemi ad apprendere con estrema efficacia in un ambito preimpostato e ben delimitato. La realtà, però, è fatta di dati imperfetti e di combinazioni di elementi interpretativi che spesso introducono elementi di complessità maggiori rispetto agli ambiti sperimentali.

Abbiamo, poi, una sfida di complementarietà tecnologica. Anche prescindendo (e non dovremmo farlo) dalla digital literacy degli utilizzatori diretti, a volte la tecnologia da sola non è autonoma e deve appoggiarsi ad altre tecnologie. Per esempio un robot chirurgico autonomo, basato su intelligenza artificiale, ha bisogno di sistemi di controllo e di ridondanza che non sempre sono già disponibili presso gli ospedali o, a volte, non sono neanche compatibili con gli spazi fisici e infrastrutturali esistenti.

Ancora, esiste un problema di regolamentazione, legato soprattutto a come identificare e redistribuire le responsabilità nei processi clinici in cui si inserisce l’AI. Se l’interpretazione automatica di una radiografia si dimostra sbagliata, e sulla base di questa interpretazione sono state prese decisioni terapeutiche sbagliate (come operare o meno, somministrare un determinato farmaco, eccetera) di chi è la responsabilità e come si ripartisce tra gli attori coinvolti?

Infine, esiste una barriera etica e culturale che non va sottovalutata né stigmatizzata. La preoccupazione per la progressiva sostituzione tra esperienza umana e intelligenza artificiale è molto diffusa e ha diverse sfaccettature: per citare un caso specifico, quale deve essere il grado di fiducia da accordare all’AI per mantenerla comunque utile nell’efficientare e rendere più stabili i processi? Oppure, quanto è concreto il rischio di dis-addestrare o non addestrare più la classe medica al problem solving e all’acume diagnostico? In generale, tutte queste preoccupazioni portano a tante domande inevase, per le quali ancora sono poche le vere analisi d’impatto. È come se invece che curare i veri ostacoli, le vere barriere, ci occupassimo più che altro di nutrire le nostre aspettative. E questo, per i motivi appena citati, significa in realtà aprire la strada alla nostra disillusione.

Lorenzo Diaferia, quali opportunità di business apre l’AI applicata al settore della salute, e cosa può fare da collo di bottiglia a un’effettiva penetrazione di questa tecnologia?

I colli di bottiglia li abbiamo appena citati e investono varie dimensioni: dati, etica, complementarietà, cultura, regolamentazione eccetera. La cosa importante da considerare è che questi vanno affrontati a sistema, non in ottica sequenziale, e soprattutto la gradualità necessaria ad affrontarli deve renderci consapevole che il tempo concesso dai mercati e dagli utilizzatori perché le innovazioni siano in grado di sviluppare il loro potenziale è un tempo limitato. D’altra parte, però, proprio questa complessità e questo orizzonte temporale possono rappresentare la chiave per un business di successo. Mi sento di dire che non è la tecnologia migliore o più strabiliante a garantire il successo di un progetto di AI in sanità, quanto piuttosto la capacità dell’imprenditore di sapere costruire il ponte tra l’idea e la sua implementazione, sfruttando le potenzialità dei setting applicativi già esistenti e mobilitando la giusta attenzione verso le barriere affrontabili. La capacità di riconoscere una barriera affrontabile da una bloccante nell’orizzonte temporale rilevante rappresenta un vantaggio competitivo di fondamentale importanza.

Poiché questa lettura non è così semplice da fare per un singolo imprenditore, in SDA Bocconi abbiamo creato un centro di studio permanente (LIFT Lab) a cui aderiscono diversi stakeholder tra imprese pharma, medtech, startup, investitori, gruppi ospedalieri, intermediari finanziari, enti pubblici e non-profit. Lo scopo del LIFT Lab è proprio quello di fare assessment sulle applicazioni tecnologiche digitali (tra cui quelle basate su AI) nell’ambito health, valutando la vicinanza al mercato, l’impatto su diverse dimensioni (economica, organizzativa, etica, eccetera) e la velocità con cui i colli di bottiglia vengono affrontati. Naturalmente, il LIFT Lab è anche aperto a nuove adesioni: le opportunità potenziali sono infatti moltissime, ma identificare quelle che possono avere successo, a oggi, si è dimostrato un compito davvero arduo per troppe realtà che navigano – o rischiano di farlo a breve – nella zona di delusione.

In quali settori specifici della sanità l’intelligenza artificiale può determinare i maggiori impatti? E perché?

All’interno del LIFT Lab abbiamo messo a punto nel corso degli anni una strumentazione che ci aiuta nella valutazione delle tecnologie e delle relative applicazioni nel contesto health. Questo approccio, che prende il nome di LIFT Radar, ci permette di evidenziare gli elementi di maggiore criticità nell’implementazione delle applicazioni tecnologiche e di studiare sistematicamente gli impatti attesi nel breve termine dalla loro adozione. Nel corso delle nostre analisi, due ambiti applicativi prettamente legati all’AI sono emersi come particolarmente interessanti: l’uso di modelli per il supporto diagnostico nell’imaging e, allargando il perimetro, il supporto AI nelle fasi di drug discovery & development nel mondo farmaceutico. In entrambi i casi, le analisi condotte posizionano queste applicazioni nell’area che chiamiamo di sperimentazione del nostro radar, configurando uno stato attuale che consente la possibilità di lavorare su questi temi, pur nella presenza di alcuni punti di attenzione che vanno presidiati, e che tengono ancora parzialmente lontane dalla piena adozione queste applicazioni.

Per esempio, se i modelli AI nell’ambito imaging consentono in alcuni casi di ottenere degli eccellenti risultati in termini di accuratezza in contesti sperimentali, i temi legati alla coerenza infrastrutturale (nei dati di training e nelle infrastrutture tecnologiche delle realtà che adottano) rischiano ancora di limitarne la riproducibilità e il potenziale di adozione. Nonostante gli aspetti da colmare, queste aree applicative sono emerse come in particolare fermento, e necessiteranno un aggiornamento periodico di questa valutazione in relazione agli sviluppi rapidi di questi ambiti.

In conclusione, una domanda per entrambi: qual è il messaggio chiave che avete individuato da lasciare al pubblico dell’AI Festival?

L’AI non ha bisogno solo di inventori. Ora più che mai ha bisogno di competenze che creino il ponte tra i modelli e i sistemi, tra l’idea e il mondo reale, e queste competenze manageriali con la relativa mentalità si possono acquisire. Se vogliamo che l’AI nel mondo health mantenga le promesse di definire un futuro più rapido, informato, di qualità e con un uso più ottimale di molte risorse che oggi sono limitate, il presente è diffondere queste competenze e questa mentalità. La facilitazione di questo processo crediamo possa avvenire aiutando i vari stakeholder a sfuggire ai cicli di hype-delusione e a pavimentare una strada più solida verso il successo implementativo.