Le nuove funzionalità di cognitive computing permettono un’interazione più naturale tra medici, dati e cartelle cliniche elettroniche. A vantaggio delle cure dei pazienti
La divisione IBM dedicata alla Ricerca ha presentato due tecnologie di cognitive computing correlate a Watson, che contribuiranno ad aiutare i medici a prendere decisioni più accurate e informate, con maggiore rapidità, e a cogliere nuovi elementi di conoscenza dalle cartelle cliniche elettroniche (EMR, Electronic Medical Records).
I progetti, noti come “WatsonPaths” e “Watson EMR Assistant”, sono il risultato di una collaborazione di un anno tra ricercatori IBM e docenti, medici e studenti del Cleveland Clinic Lerner College of Medicine della Case Western Reserve University.
Con il progetto WatsonPaths, i ricercatori IBM hanno addestrato il sistema a interagire con gli esperti in campo medico in modo più naturale, consentendo all’utente di comprendere più facilmente le fonti di dati, strutturati e non, consultati dal sistema e il percorso adottato per arrivare alla presentazione di un’opzione. Il progetto Watson EMR Assistant invece si propone di aiutare i medici a scoprire informazioni chiave dalle cartelle cliniche dei pazienti, per migliorare la qualità e l’efficienza delle cure.
“Nel quiz Jeopardy! non era necessario sapere come Watson fosse arrivato alla risposta. Ma i medici o gli esperti di qualsiasi campo ora vogliono capire quali fonti di informazioni ha consultato Watson, quale logica ha applicato e attraverso quali deduzioni è giunto a una raccomandazione”, spiega Eric Brown, Director of Watson Technologies, IBM Research. “Grazie a questa collaborazione con la Cleveland Clinic, siamo riusciti a far progredire significativamente alcune tecnologie che Watson potrà sfruttare per gestire problemi sempre più complessi, in tempo reale, e interagire con gli esperti medici in modo molto più intuitivo. Si tratta di tecnologie rivoluzionarie, destinate ad essere integrate nelle versioni future dei prodotti Watson”.
WatsonPaths
WatsonPaths esplora uno scenario complesso e trae conclusioni in modo molto simile a quanto avviene per le persone nella vita reale. Di fronte a un caso medico, WatsonPaths estrae le affermazioni basate sulla conoscenza che ha appreso grazie all’addestramento fornito dai medici e dalla letteratura in materia.
WatsonPaths può utilizzare le capacità di rispondere alle domande per esaminare lo scenario da molti punti di vista. Il sistema analizza la catena di evidenze – estraendole da materiale bibliografico, linee guida cliniche e riviste mediche in tempo reale – e trae deduzioni per sostenere o confutare una serie di ipotesi. Questa capacità di mappare le evidenze mediche consente ai professionisti di prendere in considerazione nuovi fattori, che possono essere d’aiuto per elaborare ulteriori diagnosi differenziali e opzioni di trattamento.
Mentre gli esperti medici interagiscono con WatsonPaths, il sistema utilizza l’apprendimento automatico per migliorare e scalare l’immissione di informazioni mediche. WatsonPaths incorpora il feedback del medico, che può approfondire la ricerca sul testo per decidere se alcune catene di evidenze sono più importanti, fornire ulteriori elementi di conoscenza e informazioni e valutare quali percorsi di deduzione, a suo giudizio, portano alle conclusioni più solide. Attraverso questo ciclo di collaborazione, WatsonPaths confronta le sue azioni con quelle dell’esperto, in modo tale che il sistema possa diventare “più intelligente”.
Una volta pronto, WatsonPaths sarà a disposizione dei docenti e degli studenti della Cleveland Clinic, nell’ambito del corso di studi sull’apprendimento basato su problemi e nelle simulazioni cliniche di laboratorio. Ponendo l’accento sul pensiero critico e sul problem solving, WatsonPaths insegnerà agli studenti a navigare rapidamente attraverso le più aggiornate informazioni mediche e mostrerà i percorsi del ragionamento critico, dalle osservazioni cliniche iniziali fino alle possibili diagnosi e opzioni di trattamento.
Watson EMR Assistant
IBM e la Cleveland Clinic utilizzano Watson EMR Assistant per individuare nuove modalità di consultazione ed elaborazione di cartelle cliniche elettroniche e scoprire elementi di conoscenza nascosti nei dati, con l’obiettivo di aiutare i medici a prendere decisioni più accurate e informate sulla cura dei pazienti.
Storicamente, il potenziale delle cartelle cliniche elettroniche non è stato sfruttato a causa delle discrepanze nel modo in cui i dati sono registrati, raccolti e organizzati fra i vari sistemi sanitari e le varie organizzazioni. L’enorme quantità di dati sanitari all’interno delle cartelle cliniche elettroniche può essere preziosa per trasformare il processo decisionale clinico, ma può essere anche difficile da gestire. Ad esempio, analizzare la cartella clinica elettronica di un singolo paziente può equivalere a spulciare fino a 100 MB di dati strutturati e non strutturati, sotto forma di testo normale, che possono coprire un’intera vita di appunti clinici, risultati di laboratorio e precedenti terapie farmacologiche.
La competenza nel linguaggio naturale di Watson consente di elaborare una cartella clinica elettronica con una profonda comprensione semantica del contenuto e può aiutare i medici a vagliare, con rapidità ed efficienza, le enormi quantità di dati complessi e disparati e ad interpretarli. Con questo progetto di ricerca, la solida pipeline di tecnologie di elaborazione del linguaggio naturale e apprendimento automatico di Watson viene applicata per iniziare ad analizzare intere cartelle cliniche elettroniche, allo scopo di fare emergere informazioni e relazioni all’interno dei dati, in un tool di visualizzazione che può essere utile per il medico.
Lavorando con i dati delle cartelle cliniche elettroniche, in forma anonima, della Cleveland Clinic, e sotto la guida dei medici questo progetto di ricerca Watson EMR Assistant è in grado di comparare i dettagli chiave nell’anamnesi e presentare al medico un elenco dei problemi clinici che possono richiedere cure e trattamento, evidenziare i risultati di laboratorio chiave e le terapie farmacologiche correlate a tale elenco e classificare gli eventi importanti lungo tutta la cura del paziente, presentate all’interno di una timeline cronologica.
