Un algoritmo in grado di individuare causa ed effetto potrebbe potenziare le IA medicali.
di Will Douglas Heaven
Comprendere come funziona il mondo significa comprendere causa ed effetto. Le correlazioni mettono in evidenza il fatto che determinati fenomeni sono connessi, ma la correlazione non è causalità.
Il problema di causa ed effetto è fondamentale per la medicina, in cui è possibile trovare collegamenti tra un vasto numero di variabili. La diagnosi delle malattie dipende dalla comprensione di quali condizioni causano quali sintomi; il trattamento delle malattie dipende dalla conoscenza degli effetti di diversi farmaci o dal cambiamento nello stile di vita. Districarsi tra domande così intricate è in genere il compito di rigorosi studi d’osservazione o studi controllati randomizzati.
Questi studi creano una vasta gamma di dati medici, distribuiti però in set diversi, lasciando molte domande senza risposta. Se un set di dati mostra una correlazione tra obesità e malattie cardiache, mentre un altro mette in evidenza un collegamento bassi livelli di vitamina D e obesità, qual è il legame tra la poca vitamina D e le malattie cardiache? Scoprirlo richiede solitamente un intero studio clinico ad hoc.
Come possiamo utilizzare meglio queste informazioni frammentarie? I computer sono utili nell’individuare i modelli, ma in questo caso non abbiamo altro che una correlazione. Negli ultimi anni, gli informatici hanno inventato una manciata di algoritmi in grado di identificare le relazioni causali all’interno di singoli set di dati, ma concentrarsi su singoli set di dati rimane un approccio limitato. Serve un sistema per acquisire una visione d’insieme.
Anish Dhir e Ciarán Lee, ricercatori di Babylon Health, un fornitore di assistenza sanitaria digitale del Regno Unito, hanno messo a punto una tecnica per trovare relazioni causali tra diversi set di dati. Il sistema potrebbe consentire l’estrapolazione di relazioni causali dai grandi database di dati medici ed, eventualmente, la scoperta di nuovi collegamenti causali.
Babylon Health gestisce un’app dotata di chatbot che chiede al paziente di elencare i propri sintomi prima di rispondere con una diagnosi provvisoria e consigli di trattamento. L’obiettivo è filtrare le persone che in realtà non hanno bisogno di consultare un medico. In linea di principio, il servizio fa risparmiare tempo sia ai pazienti che ai medici, consentendo agli operatori sanitari sovraccarichi di lavoro di aiutare i più bisognosi.
Servono delle cautele. Secondo i medici, a volte ignora i segni di una malattia grave. Diverse altre società, come Ada e Your.MD, offrono servizi diagnostici via chatbot, ma Babylon Health si è fatta particolarmente notare in parte a causa delle sue affermazioni esagerate. Nel 2018, per esempio, la società dichiarò che la sua IA era capace di fare diagnosi meglio di un medico umano. Uno studio pubblicato su The Lancet arrivò a conclusioni diametralmente opposte.
Tuttavia, la nuova analisi di Dhir e Lee sui collegamenti causali merita di essere presa sul serio. È stata sottoposta a peer revision e presentata alla conferenza della Association for Advancement of Artificial Intelligence di New York.
La capacità di identificare relazioni causali tra i dati medici migliorerebbe notevolmente le prestazioni dell’IA diagnostica, dandole l’opportunità di giustificare le proprie risposte indicando cause ed effetti, piuttosto che correlazioni nascoste.
I due ricercatori sono dovuti partire da zero. La sfida è stata fondere insieme più set di dati che condividono variabili comuni ed estrapolare quante più informazioni possibili su causa ed effetto dai dati combinati. Il metodo non utilizza l’apprendimento automatico ma si inspira, invece, alla crittografia quantistica, che utilizza una formula matematica per dimostrare se nessuno stia intercettando una conversazione.
Dhir e Lee trattano i set di dati e le variabili che influenzano tali set di dati in modo causale, come intercettatori che ascoltano conversazioni. Usando la matematica della crittografia quantistica, il loro algoritmo può identificare se questi effetti esistono o meno. Hanno testato il sistema su set di dati di cui erano già note le relazioni causali, ad esempio, su due set che misuravano le dimensioni e la trama dei tumori al seno. L’intelligenza artificiale ha correttamente osservato che le dimensioni e la consistenza del tumore non hanno alcun legame causale tra loro, mentre entrambi i dati sono determinati dalla natura maligna o benigna del tumore.
Se i dati grezzi sono disponibili, affermano i ricercatori, il loro algoritmo può identificare le relazioni causali tra le variabili con la stessa efficacia di uno studio clinico. Invece di cercare le cause eseguendo un nuovo studio controllato randomizzato, il software potrebbe essere in grado di trovare le risposte necessarie semplicemente utilizzando i dati esistenti.
Lee ammette che sarà necessario del lavoro per convincere gli utenti e spera che l’algoritmo sia, almeno inizialmente, utilizzato per integrare studi in corso, possibilmente mettendo in evidenza potenziali collegamenti causali. Tuttavia osserva che organismi ufficiali come la Food and Drug Administration degli Stati Uniti approvano già nuovi farmaci sulla base di studi che non dimostrano altro che una correlazione. “I metodi utilizzati per testare i farmaci attraverso studi controllati randomizzati è meno convincente dell’utilizzo di questi algoritmi”, afferma.
Immagine: Joshua Coleman, Unsplash
(lo)
