1. L'arte della medicina
La meccanica della mente
L'ingegneria della conoscenza
Come farle collaborare
Robert Alexander MD
Medico, designer, informatico
bob@ralexander.it
Convegno regionale AIOM
Lazio
Roma 28 Set 2021
2. • La medicina: arte, scienza, tecnologia, pratica … un poco tutte queste cose.
3. • Una singola equazione descrive deterministicamente la realtà fisica di tutto
l’universo.
• Il linguaggio usato per comunicare è univoco ed universalmente condiviso.
Scienza: fisica – Il modello standard
4. • La salute è una proprietà emergente di sistemi complessi e caotici che non si può
interamente descrivere in termini riduzionistici.
Medicina: un’arte basata sul metodo scientifico
5.
6. • La complessità e la molteplicità di discipline sottostanti obbligano alla
specializzazione ma quindi anche alla comprensione parziale della salute.
• Il linguaggio usato per comunicare non è univoco ed universalmente condiviso.
• I valori del benessere sono una dimensione sociale, culturale, etica e religiosa.
• Senza una vera comunicazione rischiamo un arbitrario paternalismo.
Medicina: un’arte basata sul metodo scientifico
7. • Cognizione umana
• Percezione
• Attenzione
• Memoria
• Apprendimento
• Decisioni
• Comunicazione
• Il funzionamento di ognuno di questi aspetti in un soggetto sano è coerente alla coscienza
ma in realtà si è evoluto per gestire una realtà caotica e frammentaria
• Una caratteristica dell’intelligenza umana è quella di ottenere i migliori risultati possibili da
informazioni incomplete, frammentarie e talora contrastanti
Psicologia cognitiva sperimentale
9. • Cognizione umana
• Percezione
• Attenzione
• Memoria
• Apprendimento
• Decisioni
• Comunicazione
• La scacchiera di Adelson illustra una illusione ottica ma dovuta al modello della
fisica istintivo che sviluppiamo sin da bambini
14. • Cognizione umana
• Percezione
• Attenzione
• Memoria
• Apprendimento
• Decisioni
• Comunicazione
• A Universal Model of Diagnostic Reasoning - Croskerry, Pat -
Academic Medicine84(8):1022-1028, August 2009
15. Prevalenza Ca mammella 40-50 anni: 0.8%
Mammografia Sensibilità: 87.5%
Mammografia Specificità: 93%
Paziente riceve mammografia POSITIVA
Che probabilità ha di avere davvero il cancro?
0.8% 9% 50% 87.5% 93% 99% 100%
PPV = 7/77 (9%)
Prior = 0.8 -> Posterior 9%
Difficoltà bonus: le probabilità assolute
0.8% 9% 50% 87.5% 93% 99% 100%
Morgan DJ, Pineles L, Owczarzak J, et al. Accuracy of Practitioner Estimates of Probability of Diagnosis Before and After Testing. JAMA Intern Med. 2021;181(6):747–755.
doi:10.1001/jamainternmed.2021.0269
16. Morgan DJ, Pineles L, Owczarzak J, et al. Accuracy of Practitioner Estimates of Probability of Diagnosis Before and After Testing. JAMA Intern Med. 2021;181(6):747–755.
doi:10.1001/jamainternmed.2021.0269
18. Il Deep learning imita bene cose che gli umani fanno «intuitivamente» (type 1 reasoning)
e che spesso spieghiamo solo «a posteriori».
Il Deep Learning è particolarmente forte nel «Pattern matching». Ad esempio
«Visione»: Individuazione morfologica e riconoscimento entità addestrate
NLP: Identificazione entità e relazioni su base (senza «comprensione»).
Deep Learning: alcune caratteristiche
24. • Testi «medici»
• Individuali: anamnesi, cartella medica ed infermieristica, referti, consulenze
• Conoscenza: linee guida, PDTA, articoli scientifici etc.
• Altre info
• Esposizioni ambientali, comportamento, lavoro, situazione socio economica etc.
• Patient Generated Data: dati non strutturati e «small big data» da app e IoT, PREM/PROM, RWE
NLP: estrarre concetti da testo libero
28. Information Technology e Medicina
• Poco tempo da dedicare ad ogni incontro
• Strumenti informatici filtrano il rapporto con i pazienti. Desktop medicine
29. Criticità da superare
«User Experience» antiquata e sistemi orientati a dati
«strutturati» orientati alla gestione
Dati frammentati, segregati in sistemi multipli, disallineati
e separati dalla loro semantica
Difficoltà di ottenere una «patient summarization»
orientata al problema soprattutto da dati «non strutturati»
Difficoltà nel reperire e contestualizzare velocemente
letteratura, linee guida ed altre fonti testuali
Difficoltà nel coordinamento multidisciplinare di PDTA in
particolare con comorbidità
30. «User Experience» antiquata e sistemi orientati a dati
«strutturati» orientati alla gestione
Dati frammentati, segregati in sistemi multipli, disallineati
e separati dalla loro semantica
Difficoltà di ottenere una «patient summarization»
orientata al problema soprattutto da dati «non strutturati»
Difficoltà nel reperire e contestualizzare velocemente
letteratura, linee guida ed altre fonti testuali
Difficoltà nel coordinamento multidisciplinare di PDTA in
particolare con comorbidità
32. • Possiamo occuparci solo della clinica e lasciare il nostro destino (e quello dei nostri
pazienti) in mano ad economisti, industria e legislatori che sanno poco sia dell’arte
che della scienza della medicina?
33. Riflessioni conclusive
• La medicina e la cura delle persone è una disciplina pratica basata
sull’evidenza empirica, sul processo scientifico, sulle scienze di base ma anche
sulla relazione e comunicazione umane (arte).
• Il modello riduzionistico da solo non può spiegare le proprietà emergenti dei
vari livelli della salute, anche se lo sviluppo della systems/network medicine
potrà contribuire a connotare meglio molti fenomeni.
• La cognizione e l’intelligenza umana si sono sviluppate per oltre 300K anni nell’
H.Sapiens per assicurare sopravvivenza e progenie. Nel mondo complesso ed
innaturale delle informazioni questi sistemi possono spesso trovarsi in
difficoltà.
• Una consapevolezza dei meccanismi, dei limiti e dei bias dei nostri
processi cognitivi ed emotivi possono aiutarci a sviluppare la
metacognizione che è lo strumento principale di miglioramento dei nostri
processi mentali.
• L’IA fornisce strumenti ed approcci utili per governare la complessità dei dati
relativi alla salute a patto di integrare le tante informazioni (non strutturate)
che oggi non sono trattate automaticamente.
• La varietà di approcci, tecniche, algoritmi, ed i limiti inerenti dell’IA, vanno
compresi correttamente, nelle loro caratteristiche e limiti per poterli usare
utilmente.
• L’utilizzo di IA ha il potenziale di liberare risorse dalla «desktop medicine» al
rapporto umano e terapeutico, aumentando la qualità dell’assistenza e del
lavoro degli addetti.
• La progettazione di sistemi a supporto della salute e dell’assistenza devono
coinvolgere tutti gli attori della condizione da migliorare. Multidisciplinarietà
obbligatoria.
• La validazione «in vivo e prospettica» dei sistemi di IA deve essere condotta
con il rigore ed i tempi del processo scientifico
• Senza una partecipazione attiva dei clinici nella ideazione, progettazione,
costruzione, implementazione delle tecnologie cognitive, la reale utilità e la
fiducia necessaria in questi sistemi non potrà materializzarsi.
Grazie
Robert Alexander MD
bob@ralexander.it
34. 1. Albert, Helen. ‘AI For Cancer Detection: Ready for Prime Time or Caution Advised?’ Clinical OMICs - Molecular Diagnostics in Precision Medicine (blog), 24 September 2021. https://www.clinicalomics.com/artificial-
intelligence/ai-for-cancer-detection-ready-for-prime-time-or-caution-advised/.
2. ScienceDaily. ‘Artificial Intelligence Learns Better When Distracted’. Accessed 26 September 2021. https://www.sciencedaily.com/releases/2021/07/210729183602.htm.
3. Bhome, Rohan, Andrew McWilliams, Jonathan D. Huntley, Stephen M. Fleming, and Robert J. Howard. ‘Metacognition in Functional Cognitive Disorder- a Potential Mechanism and Treatment Target’. Cognitive
Neuropsychiatry 24, no. 5 (3 September 2019): 311–21. https://doi.org/10.1080/13546805.2019.1651708.
4. Bhome, Rohan, Andrew McWilliams, Gary Price, Norman A. Poole, Robert J. Howard, Stephen M. Fleming, and Jonathan D. Huntley. ‘Metacognition in Functional Cognitive Disorder’, 25 June 2021.
https://doi.org/10.1101/2021.06.24.21259245.
5. Chen, Zhe. ‘Attentional Focus, Processing Load, and Stroop Interference’. Perception & Psychophysics 65, no. 6 (1 August 2003): 888–900. https://doi.org/10.3758/BF03194822.
6. De Silva, Daswin, and Damminda Alahakoon. ‘An Artificial Intelligence Life Cycle: From Conception to Production’. ArXiv:2108.13861 [Cs], 29 August 2021. http://arxiv.org/abs/2108.13861.
7. Fernandes, M. A., and M. Moscovitch. ‘Divided Attention and Memory: Evidence of Substantial Interference Effects at Retrieval and Encoding’. Journal of Experimental Psychology. General 129, no. 2 (June 2000):
155–76. https://doi.org/10.1037//0096-3445.129.2.155.
8. Freeman, Karoline, Julia Geppert, Chris Stinton, Daniel Todkill, Samantha Johnson, Aileen Clarke, and Sian Taylor-Phillips. ‘Use of Artificial Intelligence for Image Analysis in Breast Cancer Screening Programmes:
Systematic Review of Test Accuracy’. BMJ 374 (2 September 2021): n1872. https://doi.org/10.1136/bmj.n1872.
9. Gernsbacher, Morton Ann, and Melanie Yergeau. ‘Empirical Failures of the Claim That Autistic People Lack a Theory of Mind’. Archives of Scientific Psychology 7, no. 1 (2019): 102–18.
https://doi.org/10.1037/arc0000067.
10. Google AI Blog. ‘Google AI Blog’. Accessed 26 September 2021. http://ai.googleblog.com/.
11. Grasso, Matteo, Larissa Albantakis, Jonathan P. Lang, and Giulio Tononi. ‘Causal Reductionism and Causal Structures’. Nature Neuroscience, 23 September 2021, 1–8. https://doi.org/10.1038/s41593-021-00911-8.
12. ScienceDaily. ‘How a Racing Heart May Alter Decision-Making Brain Circuits: Body-State Monitoring Neurons Can Hijack the Decision-Making Process’. Accessed 26 September 2021.
https://www.sciencedaily.com/releases/2021/08/210830140224.htm.
13. News-Medical.net. ‘Insufficient Evidence to Support the Replacement of Human Radiologists with AI for Breast Cancer Screening’, 2 September 2021. https://www.news-medical.net/news/20210902/Insufficient-
evidence-to-support-the-replacement-of-human-radiologists-with-AI-for-breast-cancer-screening.aspx.
14. Aeon. ‘Is There a Symmetry between Metacognition and Mindreading? | Aeon Essays’. Accessed 26 September 2021. https://aeon.co/essays/is-there-a-symmetry-between-metacognition-and-mindreading.
15. studylibit.com. ‘La nuova validazione italiana del test di Stroop’. Accessed 26 September 2021. https://studylibit.com/doc/950419/la-nuova-validazione-italiana-del-test-di-stroop.
16. Onthewards. ‘Paternalism In Medicine & The Impact Junior Doctors Can Have’, 4 June 2016. https://onthewards.org/what-impact-can-junior-doctors-have-on-paternalism-in-medicine/.
17. Pereira, Alfredo. ‘What The Cognitive Neurosciences Mean To Me’. Mens Sana Monographs 5, no. 1 (2007): 158–68. https://doi.org/10.4103/0973-1229.32160.
18. Pilgrim, Matthew J. D., Zhen-Yi Andy Ou, and Madeleine Sharp. ‘Exploring Reward-Related Attention Selectivity Deficits in Parkinson’s Disease’. Scientific Reports 11, no. 1 (21 September 2021): 18751.
https://doi.org/10.1038/s41598-021-97526-7.
19. Plumer, Brad, Ezra Klein, David Roberts, Dylan Matthews, Matthew Yglesias, and Timothy B. Lee. ‘Technology Is Changing How We Live, but It Needs to Change How We Work | The New New Economy’. Vox.com,
26 September 2016. https://www.vox.com/a/new-economy-future/technology-productivity.
20. Poeppel, David, George R. Mangun, and Michael S. Gazzaniga, eds. The Cognitive Neurosciences. 6th ed. Cambridge, MA, USA: MIT Press, 2020.
21. Reyna, Valerie F. ‘A New Intuitionism: Meaning, Memory, and Development in Fuzzy-Trace Theory’. Judgment and Decision Making 7, no. 3 (May 2012): 332–59.
22. Reyna, Valerie F., Jonathan C. Corbin, Rebecca B. Weldon, and Charles J. Brainerd. ‘How Fuzzy-Trace Theory Predicts True and False Memories for Words, Sentences, and Narratives’. Journal of Applied Research in
Memory and Cognition 5, no. 1 (1 March 2016): 1–9. https://doi.org/10.1016/j.jarmac.2015.12.003.
23. Rivers, Theodore. ‘Technology’s Role in the Confusion of Needs and Wants’. Technology in Society - TECHNOL SOC 30 (31 January 2008): 104–9. https://doi.org/10.1016/j.techsoc.2007.10.001.
24. ‘SQ2. What Are the Most Important Advances in AI? | One Hundred Year Study on Artificial Intelligence (AI100)’. Accessed 26 September 2021. https://ai100.stanford.edu/2021-report/standing-questions-and-
responses/sq2-what-are-most-important-advances-ai.
25. jnd.org. ‘Technology First, Needs Last’, 5 December 2009. https://jnd.org/technology_first_needs_last/.
26. jdlm.info. ‘The Mathematics of 2048: Optimal Play with Markov Decision Processes’, 18 March 2018. http://jdlm.info/articles/2018/03/18/markov-decision-process-2048.html.
27. Yoo, Seng Bum Michael, and Benjamin Yost Hayden. ‘Economic Choice as an Untangling of Options into Actions’. Neuron 99, no. 3 (1 August 2018): 434–47. https://doi.org/10.1016/j.neuron.2018.06.038.
35.
36.
37. Li, R.C., Asch, S.M. & Shah, N.H. Developing a delivery science for artificial intelligence in healthcare. npj Digit. Med. 3, 107 (2020).