Intelligenza Artificiale e medicina di precisione

L’integrazione tra AI, tecnologie genetiche e medicina di precisione sta cambiando profondamente il settore sanitario, dalla ricerca alla pratica clinica. Le applicazioni del Federate Learning aprono nuove prospettive per personalizzazione, sostenibilità ed equità nell’accesso alle cure.

Realizzato da Frost & Sullivan in collaborazione con Intesa Sanpaolo Innovation Center, l’Industry Trends Report “AI & Precision Medicine” analizza e illustra le  trasformazioni in atto nel settore sanitario, biotech e farmaceutico, guidate dall’integrazione tra Intelligenza Artificiale (AI), tecnologie genetiche e medicina di precisione. Tra i numerosi temi affrontati, spicca il contributo dell’Artificial Intelligence Lab di Intesa Sanpaolo Innovation Center che dedica un intero capitolo al Federated Learning (FL), una tecnologia emergente che consente di addestrare modelli di AI su dati clinici distribuiti rispettando la privacy dei pazienti.

La medicina di precisione incontra l’AI

La medicina di precisione si fonda sull’adattamento delle terapie alle caratteristiche genetiche, ambientali e comportamentali del singolo paziente. In questo contesto, l’AI gioca un ruolo centrale nell’analizzare grandi volumi di dati eterogenei - dai genomi alle cartelle cliniche - per identificare pattern nascosti, predire rischi e ottimizzare trattamenti terapeutici. Tecnologie come il sequenziamento di nuova generazione (NGS), la mappatura genomica e l’editing genetico con CRISPR, potenziate da algoritmi di machine learning, stanno già trasformando la diagnosi e la cura di malattie complesse e rare.

Ad esempio, l’utilizzo di terapie geniche progettate in base al profilo genetico individuale apre la strada a trattamenti medici più efficaci contro malattie ereditarie a bassa prevalenza, migliorando contestualmente la qualità della vita dei pazienti. Inoltre, strumenti di analisi predittiva consentono di anticipare l’insorgenza di patologie, abilitando un approccio alla salute maggiormente proattivo.

Federated Learning: collaborazione senza compromessi

Il capitolo sul Federated Learning mostra come questa tecnologia consenta di addestrare modelli di machine learning su dati distribuiti, senza che questi vengano mai condivisi o centralizzati. In ambito sanitario, ciò significa che ospedali, laboratori e centri di ricerca possono collaborare allo sviluppo di modelli predittivi e diagnostici mantenendo i dati sensibili dei pazienti all’interno delle proprie infrastrutture.

Il FL si articola in due principali modalità: cross-device (su dispositivi personali) e cross-silo (tra istituzioni affidabili come ospedali e centri di ricerca). Inoltre, può essere orizzontale (dati simili su utenti diversi) o verticale (dati diversi sullo stesso utente). Entrambe le configurazioni da un lato pongono sfide tecniche, ma dall’altro offrono vantaggi significativi in termini di privacy, sicurezza, scalabilità e conformità normativa, particolarmente rilevanti in domini regolati come il GDPR.

Applicazioni concrete in sanità e risultati

Il report illustra numerosi casi d’uso del FL in ambito sanitario, che testimoniano come si tratti già una tecnologia in grado di migliorare concretamente pratica clinica e ricerca:

• In oncologia, modelli federati hanno migliorato la segmentazione di tumori cerebrali in studi multicentrici internazionali.
• In radiologia, il progetto EXAM ha impiegato il FL per predire il fabbisogno di ossigeno nei pazienti COVID-19, raggiungendo un’accuratezza superiore al 92% .
• In terapia intensiva, il FL permette di sviluppare punteggi di rischio per sepsi o insufficienza d’organo senza condividere dati sensibili.
• In genomica e malattie rare, il FL consente di aggregare dati da più centri per identificare pattern genetici altrimenti invisibili, accelerando la diagnosi e lo sviluppo di terapie mirate.

Una visione per il futuro della sanità

Intesa Sanpaolo Innovation Center individua nel Federated Learning una svolta in diversi ambiti, specialmente nella sanità stante un contesto caratterizzato dall’ invecchiamento della popolazione e dalla crescita della domanda di cure personalizzate. La possibilità di collaborare su larga scala senza compromettere la privacy dei dati, apre infatti nuove strade per l’innovazione guidata dall’Intelligenza Artificiale, la sostenibilità del sistema sanitario e l’equità nell’accesso alle cure, anche con disponibilità limitata di dati come nelle malattie rare.