The Future of Personalized Medicine: Predictive Analytics
Quali sono le probabilità che un paziente oncologico sopravviva dopo un intervento chirurgico al cervello?
Qual è la probabilità che un paziente affetto da Covid-19 venga riammesso in terapia intensiva?
Qual è la probabilità che un intervento elettivo comporti la perdita di un arto?
Gran parte della medicina si è sempre occupata di anticipare e ridurre i rischi per i pazienti, ma oggi i medici hanno più strumenti che mai per rispondere alle domande più difficili della medicina.
Grazie a tecniche statistiche come il data mining e l’apprendimento automatico, oggi siamo in grado di analizzare i dati attuali e storici per prevedere la probabilità di eventi futuri.
Benvenuti nell’era dell’analisi predittiva
Nell’analisi predittiva, gli algoritmi vengono utilizzati per prevedere una serie di scenari probabili in una serie di settori come la finanza, l’industria pesante, la vendita al dettaglio e molti altri.
Nei servizi finanziari, l’apprendimento automatico identifica e previene le richieste di risarcimento fraudolente. Nel settore del commercio al dettaglio, i dipendenti utilizzano strumenti simili per comprendere le motivazioni dei clienti. Nel settore pubblico, i funzionari dei trasporti raccolgono una grande quantità di dati sui pendolari per prevedere dove è più probabile che i viaggiatori scendano.
L’assistenza sanitaria non fa eccezione. Anzi, è un terreno fertile per l’analisi predittiva.
Di tutti i settori in cui viene implementata l’analisi predittiva, si prevede che l’assistenza sanitaria registrerà il tasso di crescita annuale più elevato di tutti gli altri. Secondo i modelli attuali, l’analitica predittiva nel settore sanitario potrebbe aumentare del 36% tra il 2018-2025.
L’esplosione dei dati sanitari negli ultimi anni, favorita dall’aumento dei wearable, delle app per il fitness e dei sistemi digitali, non è solo una manna per il mercato della salute digitale, ma svolge un ruolo vitale nella medicina moderna, aiutando i medici a prendere decisioni mediche più informate.
I medici hanno sempre avuto il compito di fare scelte istruite basate sulla loro esperienza e formazione, ma non sono mai stati in grado di farlo con assoluta certezza. I medici, dopotutto, sono umani. Le analisi predittive, invece, consentono ai medici di prendere decisioni supportate da qualcosa di più concreto, come la matematica.
La natura quantitativa dell’analisi predittiva offre uno scudo contro i pregiudizi umani e può fornire intuizioni dove la mente umana può incontrare dei limiti.
Ma come funziona in realtà?
I modelli predittivi formulano ipotesi basate su ciò che è accaduto in passato e su ciò che sta accadendo ora. Se i dati in arrivo dimostrano un cambiamento, l’impatto sul probabile risultato futuro viene ricalcolato. È questo costante afflusso di dati freschi a garantire l’elevata precisione dell’analisi predittiva.
Un altro vantaggio dell’analisi predittiva è il ruolo di primo piano che svolge nella medicina personalizzata. Esaminando il profilo medico di un paziente, possiamo creare un programma farmacologico altamente personalizzato, supportato dai big data.
In Datawizard, ad esempio, consideriamo le caratteristiche uniche di un paziente, come la biochimica, lo stile di vita, le analisi di laboratorio, la storia clinica, le interazioni farmaco-farmaco e il genoma. Uno dei nostri prodotti chiave in questo settore, Drug-PIN, ha lo scopo di analizzare l’efficacia di un farmaco per ciascun paziente, evidenziando i probabili rischi di effetti collaterali negativi anche per le combinazioni di farmaci. Inoltre, Drug-PIN offre ai pazienti alternative ai farmaci ad alto rischio e può suggerire l’eliminazione totale di alcuni farmaci, consentendo una messa a punto della terapia del paziente e riducendo il rischio complessivo di interazioni indesiderate.
Se da un lato i big data forniscono una modellazione più accurata dell’efficacia e della combinazione dei farmaci, dall’altro possono fornire una finestra sui tassi di mortalità individuali. Il rischio di morte di un paziente durante un’operazione medica, ad esempio, può ora essere determinato in base alle sue condizioni attuali, alla sua storia clinica e alle prescrizioni di farmaci. I big data possono anche offrire una finestra su quali pazienti sono suscettibili di affrontare una serie di altre condizioni di salute. L’Università della Pennsylvania, per esempio, utilizza la modellazione predittiva per identificare i pazienti che hanno maggiori probabilità di andare incontro a shock settico 12 ore prima dell’inizio della patologia.
Sebbene sia praticamente impossibile per un operatore sanitario analizzare manualmente tutte le informazioni disponibili, l’analisi predittiva può dimostrare modelli nascosti e correlazioni sconosciute, aiutando i medici a trovare trattamenti anche per le malattie più rare e per casi unici. L’analisi predittiva può quindi fornire un quadro più ampio ma anche una visione più mirata.
Questa pratica si sta diffondendo a tal punto nell’assistenza sanitaria che anche le compagnie di assicurazione sanitaria si stanno rivolgendo all’analisi predittiva per misurare il rischio.
Tuttavia, a fronte di tutti i vantaggi offerti dall’analisi predittiva, vi sono degli svantaggi.
In primo luogo, il ritmo veloce della tecnologia può essere pericoloso. Sebbene gli strumenti di apprendimento automatico offrano velocità, non incarnano la natura curiosa della mente umana.
Gli esseri umani possono ipotizzare rischi morali, gli algoritmi no. Gli assistenti hanno la propensione alla compassione, gli algoritmi no. E non hanno nemmeno la propensione a considerare il quadro generale o le circostanze uniche di un paziente.
Ciò che gli algoritmi forniscono, tuttavia, sono previsioni matematiche supportate da grandi quantità di dati. Combinati con il potere della mente umana, è possibile realizzare nuove conoscenze mediche per la popolazione in generale e per il singolo individuo.