Etica della ricerca clinica. 7/7: la promessa dell’intelligenza artificiale

– di Massimo Sartori –

Tutti sappiamo che la ricerca clinica è essenziale per tradurre le scoperte scientifiche in procedimenti diagnostici o in terapie che siano di beneficio per i malati, e, in generale, per tutta la popolazione. Tuttavia, abbiamo visto che essa solleva preoccupazioni etiche, in quanto coloro che accettano di partecipare a uno studio clinico affrontano i disagi e i rischi connessi con la loro adesione a una ricerca, che non è disegnata specificamente per dare loro un vantaggio, bensì per permettere l’avanzamento delle conoscenze.

Per tutelare i partecipanti ai trial clinici, i ricercatori sono tenuti a seguire, nel rispetto di leggi e regolamenti, precise linee guida, che chiedono loro di ottenere il consenso informato e volontario dei candidati e l’approvazione di un comitato di revisione istituzionale. Questo comitato ha anche il compito di determinare se i rischi siano accettabili e siano stati ridotti al minimo, in rapporto ai contenuti e agli obiettivi dello studio. Nonostante queste garanzie, abbiamo avuto modo di discutere come la ricerca clinica non sia esente da aspetti problematici, da un punto di vista etico. Fra tutti, quello che un autentico consenso informato presuppone, di solito, che il candidato a partecipare a un trial randomizzato abbia pienamente compreso che contribuirà alla riuscita del disegno dello studio compiendo, da un punto di vista morale, un atto supererogatorio.

L’intelligenza artificiale

E’ possibile che un aiuto a superare alcune di queste difficoltà possa giungere dall’utilizzo delle nuove tecnologie informatiche. L’intelligenza artificiale è un ramo dell’informatica che si propone di dotare le macchine di determinate caratteristiche che vengono considerate specifiche dell’intelligenza umana e che vanno al di là, quindi, delle sole capacità di calcolo o di conoscenza di dati astratti.

Le tecniche di intelligenza artificiale hanno oggi raggiunto un livello di maturità che consente loro di essere impiegate in condizioni di vita reale per assistere i decisori umani. In campo biomedico, l’intelligenza artificiale sembra avere il potenziale di trasformare i passaggi chiave della progettazione e della sperimentazione clinica, dalla preparazione dello studio alla sua esecuzione, migliorando i tassi di successo della ricerca.

L’intelligenza artificiale, grazie al machine learning, consente al computer di apprendere e migliorare automaticamente dall’esperienza, anche senza essere programmato esplicitamente per farlo[1]. In questo modo, già oggi, essa può concorrere a disegnare un trial clinico[2], a reclutare i pazienti adatti e a ottimizzare lo studio, una volta che esso abbia preso inizio.

Inoltre, attraverso procedimenti di data mining (estrazioni di informazioni utili da grandi quantità di dati), di natural language processing (applicazione di tecniche computazionali all’analisi e alla sintesi del linguaggio naturale) e di deep learning (branca del machine learning che è in grado di risolvere problemi complessi anche utilizzando un set di dati molto diversificati e non strutturati), l’intelligenza artificiale può accedere a tutta la letteratura su un determinato argomento, definire le soglie di determinati parametri, e – probabilmente – arrivare a pianificare e scrivere interamente la prima bozza di un protocollo di ricerca clinica[3].

Kevin Huges e la ricerca sul tumore del seno

Il reclutamento dei pazienti è uno dei principali problemi che rallentano o ostacolano la ricerca[4]. Nel 1994 Kevin Hughes, che lavora al Massachusetts General Hospital di Boston, disegnò uno studio per sapere se l’aggiunta della radioterapia alla tumorectomia più tamoxifene migliorasse la prognosi della donne anziane con tumore al seno in fase iniziale[5]. In base alla valutazione statistica, lo studio avrebbe potuto rispondere al quesito, con un livello di probabilità accettabile, reclutando 636 pazienti donne che avessero almeno 70 anni e fossero affette dalla patologia oggetto della ricerca.

L’incidenza del tumore al seno negli Stati Uniti è di 40.000 casi ogni anno. Nonostante l’ampia diffusione della malattia nella popolazione, i ricercatori impiegarono cinque anni per il solo reclutamento delle pazienti. Lo studio, che durò altri cinque anni, ebbe successo e dimostrò che nelle donne anziane con un tumore del seno in fase iniziale, trattate con chirurgia resettiva e a cui viene somministrato tamoxifene, l’aggiunta della radioterapia non aumenta la sopravvivenza. Quindi, un trattamento radioterapico non è, in generale, indicato nelle donne anziane che hanno asportato un tumore al seno in fase iniziale e che possono assumere tamoxifene. Per arrivare a questa importante conclusione ci vollero dieci anni.

Reclutamento e ottimizzazione dei trial

Uno dei contributi dell’intelligenza artificiale può essere quello di abbreviare i tempi di reclutamento, anche permettendo di risparmiare risorse, e di espandere l’accesso ai trattamenti sperimentali per coloro che lo desiderano. Infatti, esistono già software per i pazienti che consentono di accedere ai trial che li possono riguardare, e vi sono software per i ricercatori che possono procedere al matching delle domande e delle offerte. In questo modo, i tempi di reclutamento dei pazienti per alcuni studi oncologici, presso la Mayo Clinic di Rochester (che di per sé non avrebbe bisogno di particolare pubblicità), si sono quasi dimezzati[6].

Per quanto riguarda l’ottimizzazione di una ricerca che ha avuto inizio, i dispositivi indossabili o gli smartphone dei pazienti, equipaggiati con software di intelligenza artificiale e collegati in rete, possono permettere di verificare se i partecipanti si attengano alle indicazioni contenute nel protocollo e consentire la verifica di  alcuni endpoint, ad esempio tramite tecniche di misura delle reazioni facciali o di altri parametri dei pazienti. Di fatto, uno studio clinico recente ha dimostrato che l’uso di una piattaforma di verifica video dell’assunzione della terapia ha aumentato la compliance al trattamento dal 72% al 90%[7].

Verso la fine dei trial randomizzati?

Anche se è ancora presente un importante gap fra promesse e realtà, alcuni studiosi ritengono che il ruolo dell’intelligenza artificiale nella ricerca clinica potrà diventare molto maggiore di quanto già non sia oggi. E’ possibile, infatti, che accedendo a enormi quantità di dati,  essa possa presto simulare come una determinata coorte di pazienti risponderà a un determinato trattamento, neutralizzando tutti i fattori confondenti, che limitano per ora l’uso clinico dei risultati ottenuti con gli studi osservazionali (cioè quelli in cui non è richiesto l’arruolamento di pazienti nel gruppo di controllo).

In questo modo, i trial clinici randomizzati, che rappresentano l’attuale gold standard dei trial clinici e di cui abbiamo analizzato alcuni aspetti etici controversi, potrebbero diventare obsoleti.

Se i dati di decine di migliaia di pazienti fossero stati disponibili, e l’intelligenza artificiale fosse stata in grado di analizzarli accuratamente, studi come quello pubblicato da Hughes sulla terapia del tumore del seno non avrebbero dovuto reclutare neanche una paziente, dal momento che i dati esistevano già.

Secondo lo stesso Kevin Hughes, è verosimile che man mano che miglioreranno i sistemi di intelligenza artificiale e di disponibilità di grandi quantità di dati, sempre più ricerca clinica potrà avvenire al di fuori della struttura dei trial clinici randomizzati, fino al giorno in cui essi non serviranno più[8].


[1] M.A. Boden, L’intelligenza artificiale. Il Mulino, Bologna 2019.

[2] S. Harrer, P. Shah, B. Antony et al., “Artificial Intelligence for Clinical Trial Design”. Trends in Pharmacological Sciences. 40 (2019): pp. 577-591.

[3] K.S Hughes, J. Zhou, Y. Bao et al., “Natural language processing to facilitate breast cancer research and management”. Breast 26 (2020): pp. 92-99.

[4] M. Woo. “Trial by artificial intelligence”, Nature, 574 (2019): pp. S100-S102.

[5] K.S Hughes, L.A. Schnaper, D. Berry et al.,”Lumpectomy plus tamoxifen with or without irradiation in women 70 years of age or older with early breast cancer”. New England Journal of Medicine, 351 (2004): pp. 971-977.

[6] T.C. Haddad, J. Helgeson, K. Pomerleau et al., “Impact of a cognitive computing clinical trial matching system in an ambulatory oncology practice”. Journal of Clinical Oncology 36 suppl.(2018): abstr. 6550.

[7] E.E. Bain, L. Shafner, D.P. Walling. “Use of a Novel Artificial Intelligence Platform on Mobile Devices to Assess Dosing Compliance in a Phase 2 Clinical Trial in Subjects With Schizophrenia”. JMIR mHealth and uHealth, 5 (2017): e18.

[8] M. Woo, p. S102

4 pensieri riguardo “Etica della ricerca clinica. 7/7: la promessa dell’intelligenza artificiale

  1. Che lo sviluppo dell’intelligenza artificiale e la disponibilità di una enorme mole di dati possa in futuro rendere molti RCT superflui mi pare pienamente condivisibile.
    Tuttavia immaginiamo che un farmaco sia candidabile ad una sua introduzione nella pratica clinica per curare una nuova patologia. Come potremmo verificare l’efficacia del farmaco se non con un RCT?

    Vi sottopongo questo articolo…
    https://www.ricercaepratica.it/archivio/2492/articoli/26104/

  2. Grazie Silvano per il commento. Come sempre, arrivi dritto al punto. E poni la domanda più difficile: come affermare che un nuovo farmaco è efficace e sicuro in una nuova patologia, senza effettuare un trial randomizzato e controllato (RCT)?

    E’ evidente che la valutazione di nuovi trattamenti richiede e richiederà ancora per un po’ di tempo gli RCT. Penso che questo sia dovuto al fatto che i sistemi di intelligenza artificiale non hanno ancora raggiunto un grado di maturità adeguato, e alla constatazione che i grandi set di dati necessari per l’analisi non sono disponibili (in quanto i dati non vengono raccolti o, quando sono raccolti dai social e dallo “internet delle cose”, non sono utilizzabili per motivi di privacy).

    Per rispondere direttamente alla domanda: immagino che un nuovo farmaco che si è dimostrato efficace e tollerato in fase 2 possa continuare ad essere usato, sempre in fase 2, in un gruppo progressivamente più ampio di pazienti, confrontando continuamente gli end point del trattamento con l’outcome di pazienti che, per vari motivi, non ricevono quel trattamento. Questo, per il tempo strettamente necessario a definire la sua utilità o la sua inutilità (ovviamente entro limiti di confidenza stabiliti).

    Un approccio di questo tipo non avrebbe avuto senso in passato perché solo la randomizzazione avrebbe minimizzato i bias di allocazione al trattamento o al non trattamento.

    Invece, forse già da oggi l’intelligenza artificiale, se avesse accesso ai dati, potrebbe  sia definire i soggetti di controllo da studiare, che riconoscere e soppesare le variabili confondenti presenti nei due gruppi di soggetti (trattati e non trattati), e provare a neutralizzarle.

  3. Tu scrivi: “…già da oggi l’intelligenza artificiale, se avesse accesso ai dati, potrebbe sia definire i soggetti di controllo da studiare, che riconoscere e soppesare le variabili confondenti presenti nei due gruppi di soggetti (trattati e non trattati), e provare a neutralizzarle”

    Questo è vero ma, dal punto di vista teorico c’è un grosso MA. Con l’Intelligenza artificiale si possono soppesare le variabili confondenti NOTE e/o IPOTIZZABILI, ma riuscirà molto difficile controllare variabili latenti SCONOSCIUTE al momento dello studio.

  4. Quesito teorico molto interessante, a cui non so dare una risposta convincente (spero che possa intervenire chi è esperto di I.A.).

    L’impatto eventuale di questo tipo di bias (e la sua eventuale sistematicità) potrebbe però essere valutato empiricamente. Ad esempio, applicando retrospettivamente tecniche di I.A. alla risoluzione di problemi già affrontati e chiariti dagli RCT.

Rispondi