Nel settore della salute e della prevenzione il machine learning (in italiano apprendimento automatico) rappresenta una sfida in rapida evoluzione. Attraverso l’approccio di apprendimento automatico, macchine intelligenti, capaci di elaborare dati di elevata qualità, saranno in grado di rivoluzionare il mondo della ricerca e di fronteggiare disparati problemi in materia di salute, per i quali la gestione della malattia, attraverso le attuali pratiche mediche, risulta essere ancora inadeguata.
Che cos’è il machine learning?
Con il termine “machine learning” si intende definire un sistema informatico di analisi ed apprendimento automatico di dati in continua evoluzione, detti anche “big data”, utili in svariati settori quali: scienze della vita, finanza, agricoltura, politiche ambientali, energia, telecomunicazioni, strategie di marketing e ancora molti altri. Il machine learning ha origine nell’applicazione dell’intelligenza artificiale, (la quale non include solo il machine learning), nata nella seconda metà degli anni ’50, ponendosi obiettivi ambiziosi ma pratici e puntando alla risoluzione di svariati problemi ed in particolare al miglioramento, alla previsione e all’ ottimizzazione di questi ultimi, riducendo al minimo l’intervento umano. Esso è basato su modelli matematici detti anche “algoritmi”, ovvero veri e propri motori capaci di aiutare un computer ad apprendere senza istruzioni dirette. Più dettagliatamente, l’apprendimento automatico è stato reso possibile grazie allo sviluppo della rete neurale artificiale, un peculiare modello matematico ispirato ai neuroni umani.
Machine learning nel settore delle scienze della vita
In ambito medico-scientifico, il machine learning rappresenta un notevole elemento di supporto nella determinazione di decisioni cliniche, che migliorano la salute umana riducendo l’incidenza delle malattie, la morbilità e la mortalità. Ad oggi, esistono già applicazioni del machine learning in campo biomedico. Metodiche diagnostiche come la risonanza magnetica (MRI) e la tomografia ad emissione di positroni (PET), sono solo alcuni esempi dell’utilizzo dell’apprendimento automatico in questo ambito. I contributi di apprendimento automatico potranno ampliare l’attuale conoscenza di patologie, ottenendo una diagnosi più accurata. Tutto ciò avrebbe un impatto significativo sulle popolazioni a rischio di malattie gravi. Il machine learning si pone l’obiettivo di creare nuovi approcci farmacologici attraverso la validazione di nuovi target terapeutici. La veloce ed accurata elaborazione di dati digitali su larga scala, sarà utile anche nell’identificazione di biomarcatori prognostici e di varianti genetiche che influenzano il rischio di malattia (studi genome-wide).
What is Machine Learning? A Primer for the Epidemiologist. Qifang Bi, Katherine E Goodman, Joshua Kaminsky, Justin Lessler. American Journal of Epidemiology, Volume 188, Issue 12, December 2019, Pages 2222–2239, https://doi.org/10.1093/aje/kwz189
Applications of machine learning in drug discovery and development. Jessica Vamathevan, Dominic Clark, Paul Czodrowski, Ian Dunham, Edgardo Ferran, George Lee, Bin Li, Anant Madabhushi, Parantu Shah, Michaela Spitzer & Shanrong Zhao Nature Reviews Drug Discovery , pages463–477 (2019) Review Article