4. La rivoluzione digitale per un sistema globale di gestione della salute

a cura di R. De Maria, V. Trapani – Alleanza Contro il Cancro

1. Verso una medicina ad alta definizione

L’avvento delle tecnologie omiche ha inaugurato una nuova era della medicina, consentendoci di decifrare le malattie sulla base di meccanismi causali genetici e ambientali e dunque equipaggiandoci di strumenti sempre più adeguati per prevenirle e trattarle. In nessun altro campo al pari dell’Oncologia la rivoluzione in atto ha avuto un impatto maggiormente innovativo, con successi tangibili ottenuti grazie a terapie personalizzate, cioè basate su specifiche alterazioni molecolari responsabili della crescita tumorale nel singolo paziente. Molte di queste terapie sono ormai entrate nella attività clinica di routine, e hanno modificato radicalmente la storia naturale di specifici tipi di tumore, spesso altrimenti fatali.

Ma i recenti progressi tecnologici non si limitano a fornirci una dovizia di informazioni di tipo molecolare. Gli esseri umani, nel bene e nel male, stanno diventando sempre più “misurabili”. Quando navighiamo in internet, scriviamo sui social o facciamo delle scelte generiamo continuamente nuove informazioni che vengono setacciate, analizzate, interpretate. Su larga scala, ciò è ampiamente sfruttato dai colossi IT (IBM, Google, Facebook, Amazon) che fanno uso di algoritmi basati su reti neurali e machine learning per predire il comportamento delle persone e condurre operazioni di marketing personalizzato. In ambito sanitario, il tasso di crescita dei dati generati è anche superiore alla media registrata in altri settori. Oltre alla rivoluzione omica, che permette la digitalizzazione delle caratteristiche molecolari del paziente e della malattia, a questa accelerazione hanno contribuito tra l’altro la disponibilità di programmi di diagnostica con immagini ad altissima risoluzione e la diffusione dei fascicoli sanitari elettronici, che spesso integrano anche una grossa mole di dati non strutturati, come video, audio, testi. Esiste poi un ulteriore livello di acquisizione dell’informazione: quello relativo a stato di salute del paziente, tipo di trattamento ed esito, ottenuto in un contesto di vita reale (Real World Data, RWD), che può essere ricavato da documenti amministrativi (e.g. rimborsi), registri di malattia e dall’utilizzo di sensori per il continuo monitoraggio di vari parametri direttamente dalla persona o dall’ambiente in tempo reale.

I RWD, insieme ai dati clinico/scientifici ottenibili dalle cartelle cliniche elettroniche, costituiscono un mare di fatti, i cosiddetti Big Data, che aspettano di essere studiati e interpretati. Esattamente come Google utilizza i nostri dati per proporci risultati di ricerca sempre più pertinenti e mirati alle nostre esigenze, la raccolta e l’analisi dei Big Data in ambito sanitario potrebbe fornire uno strumento potente per valutare e gestire la salute globale di un individuo a un livello di risoluzione senza precedenti: non semplicemente una medicina personalizzata, ma una medicina ad alta definizione

Da sempre la scienza medica produce e utilizza dati. In passato, però, lo studio dei dati e l’analisi statistica erano tipicamente collegate all’ambito della ricerca. Oggi, fenomeni come l’aumento della popolazione mondiale e l’allungamento della vita media nei paesi sviluppati stanno costringendo a una revisione dei modelli assistenziali, e molte delle decisioni che caratterizzeranno questa trasformazione saranno guidate dai dati. Con l’ambizione di sapere sempre di più su ogni singolo paziente, con più anticipo possibile, cercando di intercettare precocemente la presenza o la predisposizione verso malattie che potrebbero svilupparsi successivamente, cercando di agire in una fase in cui il trattamento è più semplice e meno costoso, o magari con l’obiettivo di evitarlo del tutto, impedendo alla patologia di manifestarsi attraverso l’adozione di uno stile di vita più appropriato.

I Big Data contengono la promessa di cambiare radicalmente il modo in cui si fa ricerca e crea conoscenza, e ancor più la pratica clinica, con la creazione di un sistema globale di gestione della salute, con nuove opportunità di prevenzione e terapia personalizzate. La crucialità della trasformazione digitale per il benessere di tutti i cittadini e il miglioramento dell’assistenza sanitaria ad essi offerta è stata riconosciuta dalla Commissione Europea, che ne ha sottolineato il contributo verso una maggiore responsabilizzazione dei cittadini nel prendersi cura della propria salute, favorendo la prevenzione e stimolando l’interazione tra pazienti e professionisti sanitari. In questo ambito, la Commissione Europea ha identificato tre priorità: 1) lo sviluppo di standard europei per la qualità, l’affidabilità e la sicurezza dei dati; 2) la standardizzazione delle cartelle cliniche elettroniche; 3) l’interoperabilità tra i formati. L’Italia non vuole farsi cogliere impreparata: il MEF ha approvato il finanziamento di un ambizioso progetto che mira appunto a creare una piattaforma tecnologica nazionale che consenta la raccolta, condivisione ed analisi dei dati clinici e scientifici dei pazienti di ciascun IRCCS: il progetto Health Big Data (HBD).

Torna su

2. Il Progetto Health Big Data e l’iniziativa Digicore

Il progetto HBD ha preso avvio il 16 dicembre 2019. Si tratta di un progetto di durata decennale, finanziato dal MEF e coordinato dal Ministero della Salute, che coinvolge 51 IRCCS afferenti alle reti Alleanza contro il cancro, Neuroscienze e Neuroriabilitazione e Cardiologica, ed è gestito dalle tre Reti in collaborazione con il Politecnico di Milano.

Il progetto prevede la creazione o il potenziamento di: i) una serie di piattaforme IT locali, presso ciascuno degli IRCCS partecipanti, che garantiscano estrazione, integrazione e interoperabilità di dati clinici e scientifici; e ii) una piattaforma IT centralizzata, che garantisca connettività tra gli IRCCS e analisi avanzate dei dati condivisi. La tipologia di dati che verranno raccolti e condivisi è eterogenea e comprende dati omici (genomica, trascrittomica, proteomica, metabolomica); dati clinici (cartella medica elettronica e dati di follow-up dei pazienti); dati di imaging clinica e radiomica; dati forniti dal paziente. Nel medio termine, verranno anche inclusi dati provenienti da biosensori, dati ambientali, sociali ed economici.

La piattaforma dovrà garantire connettività tra gli IRCCS partecipanti al progetto, con altri Istituti di Ricerca italiani e non, con i database del Servizio Sanitario Nazionale e con database pubblici internazionali, con l’obiettivo di sviluppare capacità di analisi di tipo predittivo e prescrittivo basate sull’integrazione di dati omici e clinici e sullo studio di sottogruppi di pazienti aggregati per vari parametri biologici e clinici, con possibilità di accesso e condivisione da parte di singoli operatori di ciascun IRCCS. Ciò fornirà degli strumenti operativi essenziali ai Molecular Tumor Board, che sono già stati avviati in diversi IRCCS delle reti.

Un elemento centrale della piattaforma sarà l’incorporazione di protocolli di intelligenza artificiale, e in particolare di Machine Learning. Il Machine Learning è stato definito come “la scienza che mette i computer in grado di imparare, senza essere stati esplicitamente programmati per questo”. Infatti, i software di machine learning sono basati su algoritmi matematici che simulano ragionamenti di tipo induttivo, attraverso il riconoscimento di regolarità nei dati che permettono di classificare determinate situazioni e di ricondurle a specifici esiti. In questo modo è possibile generare dei modelli predittivi che consentano di associare a determinate combinazioni di valori di alcuni parametri delle specifiche condizioni o outcome clinici, come il peggioramento di una patologia, la risposta alla terapia, l’emergere di complicanze, etc. Un modello puramente predittivo, che fornisca cioè solo una riposta SI/NO senza evidenziare i processi che hanno portato a quella decisione ha però un’utilità limitata: ci dice per esempio se il soggetto può essere a rischio, ma non ci spiega il perché. Invece, i modelli che spiegano quali siano le logiche interne utilizzate dal modello stesso, evidenziando i parametri su cui basano la previsione, abilitano un’analisi di tipo prescrittivo, che può cioè consentire di intervenire in una specifica situazione, per evitare che essa degeneri verso un outcome indesiderato. Per esempio, se i fattori di rischio individuati dal modello sono elementi su cui si può intervenire, con farmaci o con un diverso stile di vita, è possibile cambiare l’evoluzione della patologia per un certo individuo e riportare quel soggetto ad una situazione dagli esiti meno infausti.

Oltre al progetto HBD su scala nazionale, l’Italia è in prima linea anche a livello europeo, con l’iniziativa DIGICORE, che si propone di implementare la raccolta e l’utilizzo di Big Data in oncologia attraverso la formazione di un “network di networks” internazionale e digitalmente avanzato. Alleanza contro il cancro è leader del consorzio che comprende vari cancer center, nonché partner accademici e industriali, uniti dall’obiettivo di generare real world evidence sugli esiti delle terapie nel mondo reale, con rilevanti implicazioni sia per la ricerca farmaceutica che per la pratica clinica.

Torna su

3. Promesse e sfide nell’epoca dei Big Data

La rivoluzione tecnologica guidata dai Big Data e dall’intelligenza artificiale è alla base della realizzazione di una medicina volta a superare il concetto della cura delle malattie per rivolgersi alla gestione complessiva del benessere degli individui, mediante le 4P: prevenzione, predizione, personalizzazione e partecipazione. L’impatto atteso di una tale rivoluzione investe tutti gli ambiti della medicina, dalla ricerca e sviluppo alla diagnostica e cura del paziente per finire alla gestione sanitaria. Vi sono tuttavia ancora parecchie criticità nell’implementazione di questa visione.

Progetti come HBD o analoghe iniziative a livello europeo contribuiranno a favorire lo sviluppo e la diffusione delle tecnologie omiche e di idonee infrastrutture IT e il training di nuove figure professionali (inter- e trans-disciplinari), ma si troveranno soprattutto ad affrontare e risolvere questioni fondamentali per poter trasformare i Big Data in conoscenza affidabile e utilizzabile.

La raccolta e la gestione di big data pone l’enorme sfida di acquisire e conservare i dati in modo che siano accessibili per la consultazione e l’analisi. Tale sfida si articola a diversi livelli, che vanno ben oltre il discorso infrastrutturale. L’aumento della quantità di dati e della velocità con cui essi si accumulano va di pari passo alla loro estrema eterogeneità; pertanto, prima ancora dello sviluppo di nuovi strumenti informatici di tipo analitico e prescrittivo, è fondamentale garantire l’interoperabilità per l’uso condiviso dei dati. Ma, ancora più a monte, è necessario adottare rigorose procedure di validazione della qualità dei dati (in termini di completezza, accuratezza e unicità), che riducano l’evenienza di difficoltà di analisi e soprattutto di decisioni non consone. È quindi auspicabile la definizione di regole e policy che impediscano a dati non validi di entrare nell’elaborazione e la creazione di team multidisciplinari che siano responsabili della qualità dei dati, e quindi della loro affidabilità.

Tuttavia, la preoccupazione maggiore destata dall’utilizzo dei Big Data risiede nella mancanza di una normativa di riferimento per la gestione della proprietà e della responsabilità dei dati, in particolare per questione etiche e di protezione dei dati. Nel contesto dei Big Data, la circolazione dei dati al di fuori del contesto originario della loro acquisizione è la norma piuttosto che l’eccezione: le informazioni possono essere riutilizzate in una molteplicità largamente imprevedibile di applicazioni anche potenzialmente distanti – per sede, tempo, contenuti ed obiettivi – rispetto all’iniziale attività clinica e/o di ricerca che le hanno generate. La stringente dipendenza dal consenso informato diviene dunque sempre più impraticabile, ma diventa prioritario esplorare approcci alternativi eticamente accettabili, e meccanismi che garantiscano un’adeguata protezione agli individui da cui provengono i dati. Il prezzo dell’innovazione non può essere l’erosione del diritto fondamentale alla privacy assicurato dalla legge: si tratta di trovare il difficile equilibrio tra le giuste preoccupazioni di poca privacy e le penalizzanti limitazioni di troppa privacy.

Infine, sebbene la complessità dei Big Data superi la capacità analitiche della mente umana e renda necessari approcci basati sull’intelligenza artificiale, l’implementazione nella pratica clinica richiederà un’attenzione ancora maggiore alla formazione professionale di medici e altri operatori sanitari: anche con i migliori algoritmi di apprendimento il giudizio sulla efficacia rimane indispensabile e i medici, in modo proattivo, dovranno guidare, sorvegliare e monitorare l’adozione dell’Intelligenza Artificiale. L’intelligenza umana che lavora con l’Intelligenza Artificiale – cioè un clinico ben informato, empatico, dotato di rigorosi strumenti predittivi e di guida nelle scelte e alleggerito dal lavoro ingrato e ripetitivo – può portare ad avvicinarsi maggiormente alla realizzazione della vera cura per il paziente.

La sanità è uno dei settori che beneficeranno maggiormente dai nuovi orizzonti aperti dalla digitalizzazione e dalle tecnologie di analisi di Big Data. Anche solo la possibilità di stratificare milioni di pazienti in “coorti” sempre più precise, in base a biomarcatori che indicano l’appartenenza a un determinato sottotipo di patologia, diventerà una possibilità concreta per il medico che debba individuare specifiche condizioni di diagnosi e terapia per un singolo paziente. L’analisi di grandi set di dati genetici e ambientali contribuirà a rivalutare i programmi di prevenzione esistenti e a migliorarli o crearne di nuovi. L’effetto di specifiche terapie potrà essere monitorato e messo in relazione a determinate caratteristiche del paziente e del tumore, il che porterà non solo al miglioramento delle cure, ma anche alla loro estensione ad un numero più grande di malati e alla riduzione dei costi.

Un sistema integrato, complessivo e condiviso di registrazione e analisi dei dati e delle informazioni di interesse medico è un patrimonio prima di tutto del cittadino a cui quei dati si riferiscono in qualunque struttura siano stati prodotti. Oltre che definire nuove modalità di esercizio della pratica medica, ciò produrrà anche un paziente più autonomo e competente, “empowered”, che partecipa consapevolmente e attivamente alla raccolta dei dati (per esempio attraverso dispositivi, sensori, social networks…) e alle decisioni terapeutiche, nonché alla condivisione delle priorità mediche e scientifiche. Un grandissimo beneficio in termini di efficacia ed efficienza, ma anche di democrazia del sistema. Per realizzare questa promessa, è però necessario affrontare le notevoli sfide che l’archiviazione, la visualizzazione, l’elaborazione, e l’interpretazione dei Big Data comportano. Ognuno di questi aspetti apre un capitolo tecnologico a sé, per non parlare delle implicazioni di natura economica e regolamentatoria. In assenza di un piano nazionale coerente e degli investimenti necessari per affrontare i nodi critici della transizione, il nostro Paese rischia di perdere un’occasione importante di creazione del valore, in termini di conoscenza e salute, e di assecondare il rischio di disparità nell’accesso dei propri cittadini all’innovazione medica e sanitaria.

Torna su