Epidemiologia e Ia generativa: una coppia rivoluzionaria

L’epidemiologia, che si occupa principalmente della descrizione, della diffusione e dei fattori di rischio responsabili delle malattie nelle popolazioni, negli ultimi decenni ha subito molti cambiamenti anche a causa della grande disponibilità di dati da analizzare. Un tempo per avere i dati bisognava costruire uno studio, oggi i dati sanitari si raccolgono in modo più o meno strutturato ed è possibile andare ad analizzarli con tecniche nuove di intelligenza artificiale (Ia). In realtà la metodologia di analisi non cambia, quello che si modifica sono le fonti e la quantità dei dati che possiamo analizzare. Con questo incremento esponenziale dei dati a nostra disposizione, l’utilizzo dell’Ia si è rivelato un mezzo prezioso nel campo della sanità pubblica e, in particolare, per la sorveglianza delle malattie, la previsione delle epidemie e l’elaborazione di decisioni in ambito sanitario, nonché lo sviluppo di vaccini. In questo scenario, l’Ia generativa – branca dell’Ia che cerca di creare dati sintetici simili a quelli usati per addestrare l’algoritmo – sta guadagnando sempre più terreno. Esplorare il potenziale e le criticità che circondano lo sviluppo futuro dell’Ia generativa nell’epidemiologia è fondamentale per comprendere l’evoluzione dei prossimi anni.

L’Ia generativa rappresenta infatti una frontiera molto promettente, con il potenziale di rivoluzionare il nostro approccio alla modellazione delle malattie, alla previsione delle epidemie e alla prognosi dei pazienti. L’Ia ha già dimostrato il suo valore in epidemiologia attraverso la sua capacità di prevedere gli esiti dei pazienti e le ondate di malattia, come visto nella recente risposta globale alla pandemia covid-191

La forza dell’Ia non risiede solo nelle sue capacità predittive, ma anche nella sue capacità di generare dati sintetici. Un’area di interesse emergente è la creazione di dati sintetici del paziente, che fornisce un modo per superare le restrizioni e le sfide associate alla condivisione dei dati sensibili, a causa delle normative sulla privacy, ad esempio, permettendo di scambiare dati fra diverse organizzazioni. Modelli di Ia generativa, come le equazioni differenziali ordinarie neurali multimodali (MultiNodes), permettono di generare traiettorie paziente sintetiche estremamente realistiche che possono essere utilizzate per ampliare l’ambito e l’applicabilità degli studi clinici2. Questi set di dati sintetici possono superare limitazioni cruciali dei loro corrispondenti reali, come valori mancanti o intervalli di valutazione irregolari, e rendere variabili da studi diversi statisticamente comparabili. Inoltre, come già detto sopra, possono funzionare da versioni anonimizzate di dati del mondo reale, mitigando le restrizioni per la condivisione dei dati umani.

Le potenziali applicazioni dei dati sintetici sono vaste. Ad esempio, i modelli generativi potrebbero sintetizzare bracci di controllo per gli studi clinici basati sui dati di studi precedenti, affrontando importanti questioni etiche in aree di malattia dove è impossibile lasciare i pazienti non trattati.

Mentre continuiamo a esplorare le capacità dell’Ia generativa in epidemiologia, dobbiamo anche affrontare le sfide associate e le considerazioni etiche. Ciò nonostante, il panorama di possibilità presentato da questa tecnologia detiene una promessa considerevole per il futuro della ricerca epidemiologica e della salute globale, che non possiamo non considerare per migliorare la salute della popolazione. F

La forza dell’Ia non risiede solo nelle sue capacità predittive, ma anche nella sua capacità di generare dati sintetici.

1. Abdulkareem M, Petersen SE. The promise of Ai in detection, diagnosis, and epidemiology for combating covid-19: beyond the hype.

Front Artif Intell 2021;4:652669.

2. Wendland P, Birkenbihl C, GomezFreixa M et al.

Generation of realistic synthetic data using multimodal neural ordinary di erential equations. NPJ Digit Med 2022;5:122.