eHealth, mHealth in Otorinolaringoiatria: innovazioni dirompenti o disastrose?

@cataldomusto
eHealth, mHealth in Otorinolaringoiatria:
innovazioni dirompenti o disastrose?
MICHELE CASSANO1, ELEONORA M. C. TRECCA1, ANTONIO MOFFA1, CATALDO MUSTO2.
(1) AZIENDA OSPEDALIERA UNIVERSITARIA, OSPEDALI RIUNITI DI FOGGIA. UOC DI OTORINOLARINGOIATRIA.
(2) UNIVERSITÀ DEGLI STUDI DI BARI ‘ALDO MORO’ - ITALY
cataldo.musto@uniba.it

Applicazioni dell’e-health
Nei prossimi 15 minuti
◦Augmented Decision-Making
◦ Utilizzo di tecniche di intelligenza artificiale per la diagnosi
semi-automatica
◦ Assistenti Digitali basati su Analisi di dati personali del
paziente
MICHELE CASSANO, ELEONORA M. C. TRECCA, ANTONIO MOFFA, CATALDO MUSTO. eHealth, mHealth in Otorinolaringoiatria: innovazioni dirompenti o disastrose?
SIO 2018 – 105° Congresso Nazionale della Società Italiana di Otorinolaringoiatria - Napoli – 16 Maggio 2018

Intelligenza Artificiale

Intelligenza Artificiale?

Intelligenza Artificiale!
Self-Driving Cars
Face Recognition

Intelligenza Artificiale: definizione

Decision-Making?
Medical error—the third leading cause of death in the US
BMJ 2016; 353 doi: https://doi.org/10.1136/bmj.i2139
(Published 03 May 2016)

Intelligenza Artificiale & Medicina
1972
Implementazione del sistema
MYCIN (Università di Stanford)
Obiettivo:
diagnosi e trattamento delle infezioni sanguigne
Precisione: 65%
Mai adottato in casi reali

Intelligenza Artificiale & Medicina

Machine Learning

Machine Learning
Maggiore è il numero di «esempi» che
utilizziamo per addestrare l’algoritmo di
Machine Learning, più precisa sarà la
«rappresentazione» che riusciremo ad
apprendere!

Possiamo applicare
questa intuizione
in ambito medico?

Machine Learning in ambito medico
Gulshan, V., Peng, L., Coram, M., Stumpe,
M. C., Wu, D., Narayanaswamy, A., ... &
Kim, R. (2016). Development and
validation of a deep learning algorithm
for detection of diabetic retinopathy in
retinal fundus
photographs. JAMA, 316(22), 2402-2410.

Machine Learning in ambito medico

Machine Learning & Otorinolaringoiatria
Obiettivo: Classificazione Automatica delle Caratteristiche del Timpano (Normale / Anormale )
Input: 409 immagini del timpano, etichettate come normali o anormali
Elaborazione: apprendimento di un modello basato sugli esempi etichettati
Risultati: 84.4 % di accuratezza nella classificazione

Obiettivo: Predizione del Carcinoma Orofaringeo
Input: Tessuti epiteliali acquisiti da un gruppo di 30 pazienti (10 sani, 20 malati)
Elaborazione: acquisizione delle immagini ed elaborazione attraverso tecniche di imaging
Risultati: 66% di accuratezza nella predizione
(https://onlinelibrary.wiley.com/doi/pdf/10.1002/lary.27159 )

Obiettivo: Diagnosi di Otite Media
Input: 1,195 immagini raccolte da sette otorinolaringoiatri del Cathay General Hospital, Taiwan
Elaborazione: acquisizione delle immagini ed elaborazione attraverso tecniche di imaging
Risultati: 88.5% di accuratezza nella diagnosi

Obiettivo: Classificazione automatica delle tipologie di russamento
Input: 828 file audio, etichettati sulla base della fonte di russamento
Velum, Oropharyngeal,Tongue, and Epiglottis
Elaborazione: estrazione degli spettrogrammi di ciascun file audio, e addestramento del modello
Risultati: 67.0% di accuratezza nella classificazione complessiva (85.2.% per il russamento causato da ostruzioni
all’epiglottide)

Quali sono i rischi?

Considerazioni Critiche
Otite
vs
No Otite
Gli algoritmi sviluppano il proprio «ragionamento» e producono in output, ma
dall’esterno appaiono come delle black box. Non è possibile (o è possibile solo
parzialmente) «spiegare» per quale motivo l’algoritmo ha formulato quella diagnosi.

L’efficacia degli algoritmi di Machine Learning dipende sempre
dal numero di esempi utilizzati per addestrare gli algoritmi di
apprendimento automatico.

Raccogliere ed etichettare
immagini di gatti
è piuttosto semplice
Raccogliere ed etichettare
dati medici
lo è molto meno

http://langlotzlab.stanford.edu/imaging-datasets/
Soluzione: nascita di progetti di ricerca per l’acquisizione e la condivisione di dati medici «etichettati»

Big Data
©
0.4 Terabyte = ~ 2 smartphone da 128 giga
6 Terabyte = ~ 50 smarthpone da 128 giga
1100 Terabyte = ~ 8.800 smartphone da 128 giga

Assistenti Digitali basati su Dati Personali
https://www.smartnora.com/pages/how-nora-works

Assistenti Digitali basati su Dati Personali
Aldaz, Gabriel, Sunil Puria, and Larry J. Leifer.
"Smartphone-based system for learning and
inferring hearing aid settings." Journal of the
American Academy of Audiology 27.9 (2016):
732-749.

Input:
- Storia Clinica del Paziente
- Precedenti Ospedalizzazioni
- Terapia Attuale
- Risultati dei Test Strumentali
Output:
- Classificazione del paziente
- Da Operare
- Da Non Operare
Augmented Decision-making basato su Dati Personali

Conclusioni

Wilhmen Conrad Rontgen scopre i Raggi X
Enorme evoluzione nella diagnostica medica
1895

Wilhmen Conrad Rontgen scopre i Raggi X
Enorme evoluzione nella diagnostica medica
1895
Gli algoritmi implementati nel Sistema IBM Watson supportano
I medici nella diagnosi e nel trattamento del cancro
2018
©

Big Data: moderni microscopi

Grazie!
cataldo.musto@uniba.it
@cataldomusto
Cataldo Musto, Ph.D.

eHealth, mHealth in Otorinolaringoiatria: innovazioni dirompenti o disastrose?

Recommandé

Recommandé

Contenu connexe

Similaire à eHealth, mHealth in Otorinolaringoiatria: innovazioni dirompenti o disastrose?

Similaire à eHealth, mHealth in Otorinolaringoiatria: innovazioni dirompenti o disastrose? (20)

Plus de Cataldo Musto

Plus de Cataldo Musto (20)

eHealth, mHealth in Otorinolaringoiatria: innovazioni dirompenti o disastrose?