UC San Diego Health utilizza AWS per implementare un modello di imaging basato sull'intelligenza artificiale in 10 giorni

Quando la pandemia di COVID-19 ha colpito gli Stati Uniti nella primavera del 2020, i ricercatori di UC San Diego Health avevano già sviluppato un modello di riconoscimento delle immagini utilizzando il machine learning per identificare la polmonite in casi difficili da rilevare. Poiché la polmonite stava rapidamente diventando uno dei principali indicatori di infezione grave nei pazienti affetti da COVID-19, il Dott. Mike Hogarth, responsabile della ricerca clinica di UC San Diego Health, ha chiesto aiuto ad Amazon Web Services (AWS) per creare un sistema per l'applicazione del modello in un ambiente clinico che consentisse ai medici di utilizzare le informazioni nella diagnosi e nel trattamento.

Quando vengono utilizzate le cartelle e le informazioni di un paziente in ambiente sanitario, la sicurezza dei dati è fondamentale. Il sistema per l'applicazione del modello di intelligenza artificiale avrebbe dovuto permettere a UC San Diego Health di rispettare le severe regole di conformità con gli standard HIPAA negli ambienti clinici. UC San Diego Health aveva già creato delle soluzioni altrettanto conformi con AWS, in passato, e questa esperienza ha permesso al suo team di creare il sistema desiderato in soli 10 giorni.

UC San Diego Health è tra le 15 migliori università di ricerca al mondo. La UC San Diego Health School of Medicine conduce ogni anno centinaia di test clinici, mentre l'UCSD Health Services Research Center si occupa della raccolta e dell'analisi di dati relativi ai risultati sanitari per supportare la ricerca. Nel 2018, un team di UC San Diego Health guidato dal Dott. Albert Hsiao, professore associato di radiologia presso la UC San Diego School of Medicine, ha elaborato un modo per utilizzare il machine learning per rilevare la polmonite nelle immagini ai raggi X. "Abbiamo creato una mappa di probabilità con codici di colore che indica il grado di certezza della presenza di polmonite", afferma il Dott. Brian Hurt, medico strutturato del team del Dott. Hsiao. Secondo il Dott. Hsiao, "di solito viene creato un modello che dia un output semplice, un sì o un no, indicando solo se si tratta di polmonite o meno. Ma per noi, generare un'immagine era importante per poter capire dove si localizzava la problematica". Il team ha pubblicato un documento con questi risultati all'inizio del 2020.

Il team di UC San Diego Health aveva già esperienza nell'utilizzo di AWS per la creazione di un ambiente sicuro e conforme agli standard HIPAA per i dati delle ricerche. "Uno dei miei primi lavori per UC San Diego Health consisteva nel creare un ambiente in cui le informazioni protette sulla salute potessero essere elaborate e spostate quando necessario", racconta il Dott. Hogarth. "Il nostro team e AWS facevano riunioni settimanali per ottimizzarlo e, quando la pandemia di COVID-19 si è aggravata, AWS ci ha chiesto se poteva aiutarci e se c'era qualcosa che volevamo fare". Il Dott. Hsiao e il suo team hanno subito pensato al modello.

L'obiettivo era quello di implementare un sistema che potesse realizzare radiografie per l'ambiente clinico, eseguire il modello su queste ultime e fornire rapidamente risultati per aiutare la diagnosi. "Molti modelli creati in laboratori come il nostro hanno del potenziale, ma non sono molto utili se non vengono costruiti direttamente nel flusso di lavoro clinico", spiega il Dott. Hsiao. Un'implementazione di questo tipo può avere un effetto sulla diagnosi, sul trattamento e sui risultati nei pazienti positivi al COVID-19. "Le informazioni disponibili sulla polmonite da COVID-19 sono praticamente le stesse di qualsiasi altra polmonite virale", spiega il Dott. Hsiao. "Il modello studiato da Brian funziona bene su questi pazienti perché è adatto per il rilevamento della polmonite in generale". Il modello è risultato utile in due modi. In primo luogo, se rileva la polmonite con un'immagine a raggi X, suggerisce un test, o un secondo test nel caso in cui il precedente sia un falso negativo. In secondo luogo, nei pazienti con infezioni note, rilevare la polmonite nei raggi X può indicare la gravità e la prognosi della malattia, dando quindi informazioni preziose per curarla.

Il team di ricerca di UC San Diego Health aveva già sviluppato un modello che realizzava immagini e le restituiva codificate in base al colore. C'era solo bisogno di una soluzione cloud che lo connettesse al sistema di imaging della struttura sanitaria per inviare l'immagine e ottenere un output direttamente sulla cartella del paziente, così da permettere ai medici di accedere e visualizzare comodamente i risultati. Il team aveva già creato degli ambienti conformi agli standard HIPAA su AWS, quindi è stato possibile eseguire il progetto in soli 10 giorni. "Nel primo giorno di esecuzione in AWS, il modello ha elaborato circa 400 radiografie con pochissimi problemi tecnici", racconta il Dott. Hogarth. Nei 6 mesi dopo l'implementazione, il modello ha elaborato oltre 65.000 radiografie, tutte in 3-4 minuti l'una.

La capacità del modello di fornire informazioni ai medici per elaborare una terapia lo rende molto utile, ed è AWS che ha reso il processo non solo possibile, ma anche facilmente sostenibile. Secondo il Dott. Hogarth, su un team IT composto da 500 persone in UC San Diego Health, basta una sola persona per verificare, come parte delle sue funzioni, la conformità continua agli standard HIPAA e alle altre normative nell'ambiente AWS. Per quanto riguarda l'implementazione del modello creato dal team del Dott. Hsiao nell'ambiente sanitario, invece, le istanze di Amazon Elastic Compute Cloud (Amazon EC2) sono di primaria importanza. L'ambiente offre le configurazioni di sicurezza necessarie per il team ed è semplice da dimensionare con l'aumentare della capacità di calcolo.

Un recente documento pubblicato dal Journal of the American College of Emergency Physicians Open indica che l'implementazione di questo modello ha influenzato le decisioni cliniche nel 20% dei casi. "Ci sono pochissime cose che sappiamo avere realmente un impatto sul processo decisionale a livello clinico in tal senso", dice il Dott. Hsiao. La precisione iniziale del modello era dell'86% e il team presto implementerà una versione ancora più accurata e incentrata sui casi di polmonite spesso non rilevati perché localizzati dietro al cuore.

La valutazione dell'integrazione del machine learning nei flussi di lavoro point-of-care esistenti a supporto del processo decisionale medico è importante, ma relativamente poco comune. Anche se la valutazione di questo strumento di analisi delle immagini è ancora in fase embrionale, ci sono già alcune prove di un suo impatto positivo. Riportiamo ad esempio il caso di un paziente di 78 anni, ricoverato con febbre e dolori addominali. I medici inizialmente non considerarono la diagnosi di COVID-19, ma il modello mostrò dei segni di polmonite nella radiografia al torace. Sottoposero quindi il paziente al test, che si rivelò positivo al virus.

Il Dott. Hsiao e il suo team hanno intenzione di continuare a perfezionare il modello, ma l'idea della valutazione degli algoritmi di machine learning e intelligenza artificiale a livello point-of-care ha potenziali applicazioni su un'ampia gamma di altre ricerche in ambito sanitario. "Per noi, è una pipeline di dati e supporto decisionale," spiega il Dott. Hogarth. "Abbiamo dimostrato l'utilizzo della pipeline con queste immagini, ma potrebbero esserci anche molte altre applicazioni".