Sono tre i principali casi di utilizzo dell’intelligenza artificiale in campo sanitario riguardano: imaging medico, patologia digitale e genomica. Ognuno di questi vede come protagonista NetApp, le cui soluzioni sono state scelte da numerose aziende che sfruttano l’intelligenza artificiale per produrre innovazione nell’healthcare.
L’utilizzo dell'IA in questi casi non solo ha portato a migliorare la velocità e l’accuratezza delle diagnosi, ma ha anche permesso l’individuazione precoce di importanti malattie quali il tumore al seno. Anche se queste tecnologie sono da considerarsi indipendenti, vengono spesso impiegate insieme come una parte dell’esteso flusso di lavoro diagnostico.
Partendo dall'imaging medico, dobbiamo dire come questo sia al centro di notevoli spinte che puntano a incrementarne l’efficienza. La popolazione dei pazienti sta invecchiando e vive condizioni in cui l’imaging è sempre più necessario, ma la dimensione del personale nei reparti di radiologia è piatta e in alcuni casi si sta restringendo.
Ed è infatti l’utilizzo dell’intelligenza artificiale per l’analisi e la diagnostica delle immagini – la diagnostica computerizzata – ad aver attirato maggiormente l’attenzione. I modelli di deep learning sono stati sviluppati per un’ampia gamma di condizioni, con la promessa di migliorare la velocità e l’accuratezza delle analisi e di permettere una diagnosi precoce delle malattie.
Nel campo della patologia si sta vivendo una situazione molto simile a quella dell’imaging medico: la domanda di servizi in questo campo sta aumentando più velocemente rispetto al numero dei patologi.
Come sappiamo, nella patologia tradizionale i vetrini vengono preparati con un campione di tessuto del paziente e poi rivisti da un patologo con un microscopio ad alto ingrandimento. Questo processo manuale può essere soggetto a errori e portare ad uno spreco di tempo, soprattutto se il patologo necessita di consultarsi con esperti esterni.
L'uso dell'intelligenza artificiale permette invece, tramite la digitalizzazione, un percorso chiaro verso la riduzione dei costi e l’incremento dell’efficienza del flusso di lavoro. In ogni caso, la patologia digitale aggiunge la tecnologia digitale ai processi fisici esistenti rendendo così i vantaggi economici meno chiari ed evidenti.
L’intelligenza artificiale può aiutare a gestire l’enorme quantità di dati e di informazioni genetiche? Si: la sfida fondamentale della genomica risiede nel prendere tutti i dati delle sequenze e scoprire quali differenze sono rilevanti.
La gestione delle informazioni rappresenta una sfida più difficile rispetto a quella dell’imaging medico o della patologia digitale. Con risultati di sequenziamento per un singolo individuo che portano fino a 1 terabyte, il sequenziamento dell'intero genoma crea problemi di gestione dei dati sia nella ricerca che in ambito clinico.
Anche se i formati dei file utilizzati in genomica sono standardizzati, non esiste un equivalente di un sistema di archiviazione e comunicazione delle immagini (PACS) o di un archivio neutro di vendor neutral archive (VNA) per la gestione dei dati genetici.
Per quanto riguarda il contributo di NetApp, società come Wuxi Next Code, si avvale di Cloud Volumes per semplificare l'implementazione e ottimizzare la gestione delle applicazioni data-driven, con il toolset basato sull'intelligenza artificiale dell'azienda che è progettato per analizzare in modo efficiente enormi quantità di dati genomici e clinici.
Soluzioni quali Big Data Analytics di NetApp, permettono al Mt. San Rafael Hospital, in Colorado, di accelerare l’accesso ai dati e ottenere informazioni predittive per migliorare la vita dei pazienti.
Così come l’azienda biofarmaceutica AstraZeneca, che ha deciso di fare affidamento sui dati per progredire nella ricerca e sviluppo dei farmaci, migliorare il time to market e identificare i trattamenti personalizzati per ogni paziente.