Capitolo 5
L’IA per l’aumento e il miglioramento dell’accesso ai servizi sanitari
Nei paesi in via di sviluppo, le disuguaglianze tra servizi sanitari urbani e rurali costituiscono un problema serio. La carenza di operatori sanitari qualificati è una delle cause principali della mancanza e scarsa qualità dell’assistenza sanitaria nelle aree rurali. Alcuni studi hanno dimostrato che l’applicazione di tecniche mediche assistite da computer o basate sull’IA potrebbe migliorare i risultati dell’assistenza sanitaria nelle aree rurali e nei paesi in via di sviluppo.
Sfida
La polmonite è la prima causa infettiva di morte tra i bambini sotto i cinque anni in tutto il mondo. Secondo l’UNICEF, nel 2016 la polmonite ha causato la morte di oltre 880.000 bambini, la maggior parte dei quali aveva meno di due anni. Il trattamento della polmonite non è il problema principale, poiché gli antibiotici sono facilmente reperibili e ottengono ottimi risultati. La sfida principale è rappresentata dalla diagnosi errata, in particolare nelle aree in cui l’accesso all’assistenza sanitaria è molto limitato.
Soluzione
Brian Turyabagye e due colleghi della Makerere University di Kampala, Olivia Koburongo e Besufekad Shifferaw, hanno fondato Mama-Ope nel 2016 per sviluppare un approccio basato sull’IA per la diagnosi della polmonite nei bambini.
- Hanno progettato un dispositivo medico indossabile: una giacca smart dotata di cinque microfoni che funzionano effettivamente come stetoscopi indossabili per misurare i suoni polmonari da più punti del torace dei bambini.
- Il team di Mama-Ope ha programmato un algoritmo di elaborazione dei segnali per fornire le migliori informazioni diagnostiche disponibili dalle registrazioni audio. L’obiettivo: determinare quando è stato registrato il crepitio caratteristico della polmonite. Dal punto di vista euristico, i suoni polmonari distintivi comprendono il respiro affannoso e il crepitio.
- Il team e un esperto di MathWorks hanno analizzato i segnali in MATLAB utilizzando tecniche di elaborazione dei segnali e wavelet. Hanno trovato feature distintive che erano presenti in tutto il segnale.
- Hanno isolato queste feature distintive per addestrare un algoritmo di Machine Learning in MATLAB in grado di prevedere i casi di polmonite.
Approccio basato sull’IA per la diagnosi della polmonite nei bambini. (Crediti dell’immagine: RAEng/Brett Eloff)
Ecco il suono della polmonite. (Fonte audio: thesimtech.com)
Risultati
La giacca è stata progettata per essere utilizzata in cliniche e scuole remote. Anche le località che non dispongono di personale medico o di un computer possono utilizzare la giacca per una diagnosi rapida. La giacca si collega a un’app mobile tramite Bluetooth® e registra e analizza i dati raccolti. I risultati vengono poi inviati a un operatore sanitario che può formulare una diagnosi informata senza dover visitare il bambino di persona. L’UNICEF si è già detta interessata ad aiutare Mama-Ope a portare la sua tecnologia nelle scuole, negli ospedali e nelle cliniche delle zone dell’Africa subsahariana più colpite dalla polmonite, come Uganda, Kenya, Tanzania, Etiopia e Nigeria.
Sfida
Il cancro della cervice uterina è curabile se individuato in tempo, ma la diagnosi precoce dipende dallo screening di routine. Nelle aree rurali, soprattutto nei paesi a basso e medio reddito, solo poche persone possono accedere a queste cure. Migliorare l’accesso allo screening è fondamentale, dal momento che le persone in queste aree rappresentano l’85% dei casi di cancro della cervice uterina.
Cervisense fornisce risultati di screening del cancro della cervice uterina in loco grazie al Machine Learning. (Crediti dell’immagine: Akshita Sachdeva)
Soluzione
Akshita Sachdeva e Bonny Dave hanno fondato in India un’azienda chiamata Satin Healthtech e hanno sviluppato un prodotto chiamato Cervisense. Cervisense comprende una piccola fotocamera montata su uno speculum e un programma basato su tablet che fornisce risultati di screening del cancro della cervice uterina in loco. Si tratta di uno strumento di screening basato sull’imaging ottico che aiuta ad automatizzare e migliorare la precisione dello screening del cancro della cervice uterina. Il programma applica tecniche di Machine Learning alle immagini scattate da un operatore sanitario durante l’esame della cervice della paziente e fornisce un punteggio di diagnosi preliminare per orientare il trattamento.
Risultati
Satin Healthtech ha completato il suo prototipo Cervisense e ha riscontrato l’interesse di ginecologi e oncologi in India. Pochi mesi dopo la fondazione di Satin Healthtech, l’Organizzazione mondiale della sanità ha annunciato la Global Strategy for Cervical Cancer Elimination con l’obiettivo di aumentare i tassi di screening.
Sfida
Si stima che mezzo miliardo di persone in tutto il mondo soffra di una malattia mentale e che il costo solo negli Stati Uniti raggiunga i 500 miliardi di dollari all’anno. Nonostante siano molte le persone che traggono beneficio dalla consulenza psicologica, restano tuttavia delle lacune. La valutazione della salute mentale è altamente soggettiva e l’attenzione alla prevenzione è limitata. Inoltre, le diagnosi spesso non vengono effettuate e gli interventi in tempo reale sono scarsi.
Soluzione
Il miglioramento della salute mentale con il monitoraggio continuo dei pazienti potrebbe aiutare i pazienti che soffrono di problemi di salute mentale come l’ansia e la depressione. Il programma Feel di Sentio prevede un braccialetto e un’app mobile in grado di tracciare gli stati emotivi degli utenti, offrire esercizi mentali e fisici regolari e metterli in contatto con un terapeuta una volta alla settimana.
- Il sistema utilizza algoritmi di Machine Learning ed elaborazione dei segnali sviluppati in MATLAB per identificare i pattern nei dati raccolti dal dispositivo indossabile, come ad esempio le combinazioni di biomarcatori che indicano stati emotivi diversi.
- Sentio è partita dalle descrizioni della letteratura psicologica di quali segnali fisici sono più indicativi di quali emozioni. Successivamente il team ha perfezionato i modelli chiedendo alle persone che indossavano il sensore di emozioni di descrivere le loro sensazioni. I modelli classificano anche le letture e, se le etichette delle emozioni differiscono da quelle descritte dall’utente, i modelli vengono aggiornati affinché possano funzionare meglio la volta successiva.
- Questi algoritmi sono distribuiti su server Amazon® Web Services (AWS) basati sul Cloud che monitorano lo stato emotivo del paziente e trasmettono i risultati nuovamente all’applicazione.
Il Machine Learning e l’elaborazione dei segnali utilizzano i dati dei sensori fisiologici per rilevare le emozioni.
Il Machine Learning e l’elaborazione dei segnali utilizzano i dati dei sensori fisiologici per rilevare le emozioni.
Risultati
Il sistema è stato testato su centinaia di utenti. Il sistema si adatta a ogni singolo utente e le persone hanno riportato di avere l’impressione che il sensore Feel Emotion tenti davvero di acquisire familiarità con il loro corpo.
