Traccia dell'intervento al seminario su medicina e sistemi complessi all'ospedale San Filippo Neri di Roma

Valerio Eletti :: Big Data Management in Medicina San Filippo Neri, Roma, 14 Febbraio 2015
Big Data
Management
in Medicina
VALERIO ELETTI
Aula multimediale, Ospedale San Filippo Neri
Roma, 14 Febbraio 2015
Approcci Sistemici in Medicina

Di cosa parliamo?
Agenda  Introduzione: partiamo dal punto fatto lo scorso anno
 Il fenomeno dirompente e trasversale dei big data
 Distinzione tra big data e big data set specialistici
 Management specialistico dei big data
 Big data management in medicina
 Prospettive e problematiche in generale
 Prospettive e problematiche etiche in medicina
 Per approfondire: testi, corsi e incontri

Introduzione: il punto che abbiamo fatto a maggio 2014
Complessità, approccio sistemico, effetto farfalla, reti digitali,
hub e connessioni complesse, big data, globalizzazione,
Web semantico, Internet delle cose, reti neurali artificiali, …
sono espressioni, idee, concetti e - in potenza - comportamenti (memi)
che si estendono a macchia di leopardo, con una diffusione turbolenta.
DOMANDE: Secondo voi di che si tratta?
E perché dovrebbero interessare un medico?
 Introduzione: lo scenario attuale
 Big data
 Motori semantici e soft computing
 Nuove “protesi cognitive”: il paradigma cognitivo complesso
 Esempi di applicazioni in medicina

produciamo
miliardi di dati digitali...
Il panorama intorno a noi sta cambiando velocemente
i mega data set iniziano a
collegarsi tra di loro ...
arrivano algoritmi in grado
di ‘capire’ il significato...
l’analisi dei big data affianca
e sostituisce la statistica...
i computer sono sempre
più veloci e potenti...
i saperi sono
sempre più condivisi...
sempre più organizzazioni
raccolgono i nostri dati ...
... mentre si riscontrano
usi errati dei big data

Il fenomeno dirompente e trasversale dei big data
2015: l’anno di una nuova rivoluzione industriale?
si profila la nuova “era tascabile”:
la risonanza tra dispositivi mobili e modello cloud
(utilizzo di grandi quantità di computer da parte di chiunque)
porterà a una produzione inimmaginabile di big big data:
“entro il 2015 esisteranno 15 miliardi di micro-gadget digitali,
figli e nipoti degli attuali iPhone, collegati costantemente a Internet
(...) è l’era dell’ubi-computing” (*)
(*) F. Rampini, Rete padrona, 2014, p. 214

Un solo numero per avere l’idea di cosa sta succedendo
5 miliardi di GigaByte (5.000.000.000.000.000.000 byte)
è la quantità di informazione che sarebbe necessaria
per rappresentare in formato digitale
“tutti i libri, le parole e le immagini create dall’umanità dalle origini
della nostra storia fino al 2003” (*)
la stessa cifra l’umanità l’ha creata ogni 2 giorni
negli anni dal 2003 in poi (*)
e nel 2014, sempre ogni 2 giorni,
la stessa quantità di dati è transitata solo su Internet (°)
(*) dati di Peter Diamandis, citato da F. Rampini, op. cit., pag.217
(°) dati dell’indagine Thomson Reuters citati da F. Rampini, op cit, pag.250

Aggiungiamo una suggestione dello stesso Peter Diamandis (*)
“Un guerriero
delle tribù Masai
sulle montagne del Kenya
oggi ha uno smartphone
e l’accesso a Google,
grazie al quale dispone
di più informazione
di quanta ne aveva
il Presidente degli USA
appena 15 anni fa”
(*) Peter Diamandis citato a pag. 217 di F. Rampini, op. cit.

E ovviamente medicina e sanità sono nell’occhio del ciclone
di questa crescita esponenziale di dati in tutto il mondo, anche se...
“accumulating data is getting easier, but using data is hard”

L’interpretazione corrente, quando si parla di big data sui media è
la somma (e risonanza) di archivi di reti interconnesse di dati digitali
che si vanno accumulando in banche dati, in settori diversi:
dati che arrivano dalla nostra localizzazione geografica
quando telefoniamo da un cellulare,
dai nostri profili sui social network,
dagli indirizzi Internet che visitiamo,
dai sentiment che esprimiamo via Twitter,
dai dati sanitari, economici e finanziari
che affidiamo alle varie nuvole informatiche (cloud)
che si stanno addensando nel chiuso
di sempre più giganteschi magazzini pieni di server...
... a cui si aggiungono i miliardi di open data (anche sanitari)
messi a disposizione dalle istituzioni pubbliche.
Distinzione tra big data e big data set specialistici
Big data

In estrema sintesi: le “4V” dei big data propriamente detti
Big data

Sono miniere di informazione in cui si possono individuare
strutture di conoscenza e profili di trend in atto.
Due considerazioni:
A) connettendo le singole ‘miniere’ si ottiene un insieme
che è molto di più della somma dei singoli mega data set,
un insieme reticolare iper-complesso
che può fornire non solo risposte a vecchie domande,
ma che può anche far emergere domande nuove;
B) Web companies, intelligence, politica e finanza sono già in corsa
per mettere a punto efficaci strumenti “intelligenti” (semantici)
che permettono di analizzare e gestire queste masse di dati
che non si possono affrontare con i limitati strumenti
usati per catturare, gestire e processare le normali banche dati
in tempi accettabili (come abbiamo visto, parliamo di centinaia di
exaByte, ovvero di centinaia di miliardi di GigaByte).
Big data

Miniere di informazioni utili anche in campo sanitario e medico
(pur essendo ben distinti dai mega data set specialistici
utilizzabili in vari settori della medicina, che vedremo dopo).
Un esempio classico di utilizzo di big data ‘trasversali’:
Google FluTrends (che vedremo nello specifico più avanti):
2009: messa a punto di un bouquet di algoritmi
per individuare in tempo reale i focolai di influenza,
analizzando le domande fatte dagli utenti su Google.
Big data
Tutto bene? No!
Nel 2014 un bilancio deludente:
troppe previsioni sballate
per sovrastima dei dati
(faremo più avanti
una riflessione su questo)

Lo stesso termine big data si usa anche per definire
un cambio di approccio ai grandi archivi di dati specialistici
In molti ambienti professionali, di studio e di ricerca
si parla di big data in senso più trasversale e pervasivo,
quando si passa dall’analisi di campioni
(approccio statistico classico) alla
analisi dell’intero universo dei dati di un fenomeno o struttura.
Big data set
specialistici

Ne derivano alcuni mutamenti paradigmatici, tra cui sottolineiamo:
- Accettazione dell’imprecisione (compensata dall’abbondanza di
dati)
- Abbandono dell’illusione della validità generalizzata del principio
di causa-effetto
- Consapevolezza della possibilità di emersione di pattern
imprevedibili a priori (ovvero emergenza di risposte di cui non si
erano immaginate né tantomeno formulate domande)
- Maggiore attenzione all’emersione di correlazioni anche non
lineari (da cui l’utilizzo di vari strumenti di network analysis)
Per approfondire questi aspetti senza entrare nello specialismo,
si veda il volume di V. Mayer-Schoenberger, K. Cukier, “Big data”,
tradotto in italiano da Garzanti nel 2013, subito dopo l’ediz. originale
Big data set
specialistici

Esistono molti strumenti diversi per estrarre dai big data
informazione utile per previsioni e decisioni in ambienti complessi;
si tratta di strumenti spesso tratti da discipline specifiche,
che usano approcci diversi e hanno diversi obiettivi.
Ne elenchiamo brevemente qualcuno, per darne giusto una idea
- motori semantici
- reti neurali artificiali addestrate con data base specifici
- altre tipologie di soft computing
Management specialistico dei big data

Sono dei software che analizzano
il significato delle parole nel proprio contesto:
motori di ricerca che analizzano
la sequenza di bit richiesta all’interno di una ontologia,
ovvero di una rete di relazioni con altre parole “imparentate”.
Esempio: la parola “file” in contesti diversi
Questo è il concetto chiave.
La spiegazione nei dettagli non è complicata
ma è piuttosto lunga: cfr. su Wikipedia la voce
Semantic Web, che risulta chiara ed esaustiva.
Nota a margine:
questa voce di Wikipedia è stata immessa nel 2003
e si è raffinata fino a oggi grazie ai controlli,
alle discussioni e alle correzioni di oltre mille esperti,
con una media di 1.500 visite al giorno:
esempio pregnante di auto-organizzazione dal basso
di un ambiente complesso come il Web 2.0.
Motori
semantici

Utilizzo di mega data sets per addestrare reti neurali:
Un esempio di successo made in Italy:
utilizzo dei mega data sets di ABI per simulazioni anti-rapina
(con riduzione – in tre anni - del 70% delle rapine in banca)
Reti naurali
artificiali
Progetto WeMole

Utilizzo di mega data sets per addestrare reti neurali:
esempio del massimo successo internazionale:
utilizzo delle voci Wikipedia (e non solo) per addestrare
il sistema di intelligenza artificiale Watson della IBM,
in grado di rispondere a domande
espresse in linguaggio naturale
(Watson nel 2011 ha sconfitto
i campioni del quiz TV Jeopardy)
Nota:
la prima applicazione commerciale di Watson,
annunciata da IBM nel 2013,
è stata utilizzata per gestire decisioni
nel trattamento del cancro ai polmoni
al Memorial Sloan-Kettering Cancer Center.
Sono poi seguite applicazioni
in diverse strutture mediche americane.
http://www.ibm.com/smarterplanet/us/en/ibmwatson/what-is-watson.html
Reti naurali
artificiali

Sotto il termine vago e
ampio
di soft computing,
oltre alle reti neurali artificiali,
si trovano molte altre
tipologie di algoritmi,
dalla c.d. swarm intelligence
agli algoritmi genetici,
passando per
gli algoritmi derivabili
dalla teoria perturbativa,
le reti di Petri
o la trasformata Wavelet...
Qui a lato
e nella slide successiva
ecco una breve
e parziale elencazione
tratta da
Eletti 2013, pp.39-40
Soft
computing

... segue
elencazione
tratta da
Eletti 2013, pp.39-40
Soft
computing

Un esempio che abbiamo discusso con C. Pristipino lo scorso anno
Massive data base: passaggio dalla genomica alla proteomica.
19.599 geni nel corpo umano possono produrre circa 200.000 tipi di RNA;
ogni RNA può a sua volta codificare circa 200.000 proteine.
Dunque, se l’analisi dei geni richiede l’elaborazione di teraByte (10 alla 12),
quella delle proteine richiede petaByte (migliaia di teraByte: 10 alla 15).
Il che significa che ci spostiamo su una logica big data,
e diventa dunque essenziale la messa a punto di algoritmi
in grado di trovare pattern emergenti
dal rumore di fondo del sistema complesso cellula.
Rif.: B. Saporito, “Blood work. Finding new cures means cracking the body’s complex
proteins. So scientists are turning to Big Data”, in “Time”, 20 maggio 2013, pp.40-42 (
time.com/breakthrough )
Big data management in medicina: proteomica
Esempio 1
genomica e
proteomica

E poi Google FluTrends: l’esempio in campo sanitario
che abbiamo visto come caso di errato management di big data.
Vediamo qualche dettaglio per capirne il funzionamento di base.
Epidemie di influenza, problema:
rilevazione dei focolai troppo lenta: processo di almeno 2 settimane:
malati dal medico, raccolta di casi, segnalazione alle autorità,
diffusione allerta, contromosse sanitarie nazionali.
Proposta di Google (2009):
analizzare le ricerche su Google
(all’epoca 3 miliardi al giorno)
per individuare le parole chiave
che rivelano un interesse
verso l’influenza e i suoi sintomi.
Google realizza gli algoritmi adatti:
nasce Google FluTrends,
tuttora attivo a questo indirizzo:
http://www.google.org/flutrends
Big data management in medicina: Google FluTrends
Esempio 2
Google
FluTrends

Come è stato messo a punto l’algoritmo di base?
Ecco come Viktor Mayer-Schoenberger e Kenneth Cukier presentano il caso
in apertura del loro libro “Big data” (ed. ital. Garzanti 2013, pp.10 e 11):
“... nel 2009, quando è scoppiata l’epidemia H1N1, il sistema previsionale di
Google si è rivelato un indicatore più utile e tempestivo delle statistiche
governative ... Non richiede la distribuzione di tamponi oro-faringei o la presa
di contatto con gli ambulatori. E’ costruito invece sui big data...”
E aggiungono qualche dato concreto:
“... hanno processato 450 milioni di modelli matematici ... Confrontando le
previsioni con la casistica effettiva certificata nel 2007 e 2008 ... Il sw ha
scoperto 45 parole chiave che presentavano una forte correlazione tra la loro
previsione e i dati ufficiali ... Potevano dire dove si era propagata l’influenza
in tempo reale...”
Esempio 2
Google
FluTrends

Che cosa non ha funzionato come doveva?
Nel 2014 escono su New Scientist, Scietific American, Science e
Nature degli studi che smontano il successo dell’iniziativa.
Troppe stime sbagliate, dati sovrastimati. Perché? Ecco le ipotesi:
1. incapacità di selezionare e interpretare correttamente un sovraccarico di
informazioni e soprattutto incapacità di correggersi nel tempo;
2. utilizzare i big data non vuol dire affidarsi completamente al nuovo
approccio abbandonando il controllo statistico su campione;
1. I big data sono figli di sistemi sociali complessi e, in quanto tali, non
possono essere trattati in maniera lineare, riduzionistica, deterministica:
ogni individuo infatti produce i suoi feedback al sistema, con la possibilità
di far esplodere il famoso “effetto farfalla” dei sistemi catastrofici (“più se
ne parla peggio funziona” commenta .mau.)
Altri studi sull’uso troppo allegro dei big data:
http://www.ictbusiness.it/cont/news/doccia-fredda-per-le-analisi-big-data-
algoritmi-non-affidabili/33938/1.html#.VNEELmSG8kg
Esempio 2
Google
FluTrends

Medicina e big data: la trappola degli scoop dei media.
Continuano i tentativi
di far emergere
informazioni sanitarie
da dati
esterni alla medicina:
ultimo caso,
l’analisi semantica
dei tweet
per geo-localizzare
il rischio di infarto...
Di tutt’altro spessore è il lavoro cauto e scientifico
avviato dagli specialisti di medicina e di matematica sperimentale
per far emergere informazione preziosa dai data base specialistici
e dal loro incrocio in ottica sistemica e complessa
Big data management in medicina: Twitter e il rischio infarto
Esempio 3
Twitter e il
rischio infarto

Spunti di riflessione sulle minacce indotte dai big data (*)
PRIMO:
nelle reti, la diffusione esponenziale di grandi masse di informazioni,
unita con l’efficacia di trasmissione dei segnali,
porta facilmente alla diffusione veloce di “segnali errati”:
con l’esplosione incontrollata di dati, infatti,
vengono a mancare i feedback negativi,
che possano attenuare/controllare i segnali virali,
siano essi utili alla conoscenza o dannosi.
(*) Rif.: N. Silver, The Signal and the Noise, 2012,
trad it.: Il segnale e il rumore, Fandango 2013
Prospettive e problematiche in generale
RISCHI!

Spunti di riflessione sulle minacce indotte dai big data
SECONDO:
la sovrabbondanza di informazioni e di dati comporta il pericolo
di creare nicchie di pensiero omogeneo auto-rinforzantesi
scompare infatti il feedback negativo
che regolarizza qualsiasi sistema e lo fa adattare per sopravvivere:
in ambito sociale, aumenta l’aggressività nei confronti
di chi è fuori dalla propria nicchia, scambiata per l’universo.
Si veda il divertente paradosso della “scopa di Occam” citato da Daniel C. Dennett
nel suo “Intuition Pumps and Other Tools for Thinking”,
pubblicato in italiano nel 2014 da Raffaello Cortina con il titolo “Strumenti per pensare”
RISCHI!

Spunti di riflessione sulle minacce indotte dai big data
TERZO:
con l’aumentare esagerato dei dati da esaminare
aumenta la possibilità di vedere segnali là dove c’è solo rumore,
ovvero di individuare falsi positivi
derivanti da una cattiva interpretazione di dati.
Nate Silver, nel suo “Il segnale e il rumore”,
individua nel teorema di Bayes
(o “teorema della probabilità delle cause”)
uno degli strumenti più efficaci
per concretizzare e applicare il paradigma cognitivo complesso
necessario ad affrontare l’eccesso di dati che ci sta travolgendo.
RISCHI!

Per un quadro coerente dell’impatto dei big data in medicina
serve una visione condivisa dei concetti di malattia e di salute.
Concetti che hanno subito molte variazioni nel tempo,
come ci mostra la tabella della slide successiva,
tratta dal recente libro del docente di bioetica Gilberto Corbellini (*)
a cui facciamo riferimento per queste minime riflessioni.
Prospettive e problematiche etiche in medicina
(*) G. Corbellini, Storia e teorie della salute e della malattia, Carocci 2014, p.229

tabella tratta da G. Corbellini, Storia e teorie della salute e della malattia, Carocci 2014, p.229

Prima considerazione:
l’approccio socio-culturale
emerso dopo la seconda guerra mondiale
e il tentativo di sintesi evoluzionistica
avvenuta negli ultimi decenni,
sono caratterizzati da
una epistemologia
vicina al paradigma cognitivo complesso
in cui si colloca
l’utilizzo e l’analisi dei big data

Nella zona destra della tabella troviamo infatti termini
in piena sintonia con gli studi della complessità,
delle reti e dell’analisi dei big data.
Scrive Corbellini (p.228):
“negli ultimi decenni la biologia funzionale,
o meglio lo studio di alcuni sistemi fisiologici complessi
come il sistema immunitario e il sistema nervoso,
ha prodotto nuovi riferimenti concettuali
per spiegare le dinamiche fisiologiche
da cui dipendono le proprietà adattative degli organismi”
Seconda considerazione:
da tutto ciò, ricollegandoci a quanto detto in questo seminario,
deriva la centralità, nella medicina attuale,
dell’uso dei big data e dello studio della topologia delle reti.

Se andiamo a ben vedere, infatti, possiamo dire che
quasi tutte le controversie bioetiche emergenti
sono collegate all’uso di “massive data base” specialistici o sociali.
Pensiamo alle applicazioni della genetica
e della ingegneria riproduttiva,
o agli studi sul cervello
con le ricadute delle tecnologie neuroscientifiche.

Per chiudere il cerchio, ripensiamo al concetto di etica
e in particolare di etica in medicina,
ricorrendo sempre alle parole di Gilberto Corbellini (p.207):
“L’etica, ovvero la costruzione culturale di un ordine morale,
è costitutivamente connaturala alla medicina.
La cura è ciò che hanno in comune
(...)
Quindi i problemi dell’etica medica vanno alla radice stessa delle emozioni,
delle aspettative che caratterizzano la moralità umana
e dei problemi che i giudizi razionali incontrano quando si confrontano
con decisioni che riguardano la vita e la morte, la salute e la malattia.
La più recente delle procedure di cura
tende a ridurre l’interazione comunicativa tra medico e paziente,
ma così si priva di un rapporto
che ha basi psicologiche e morali complesse
dei presupposti fisiologici che consentono di inventare
le soluzioni terapeutiche ritagliate sui problemi singoli delle persone”

Riepilogando
 con i big data siamo entrati in un territorio nuovo: dalla scarsità
all’eccesso di informazione
 non possiamo tornare indietro, all’economia della scarsità
 nel nuovo ambiente stiamo individuando opportunità e minacce
 specifiche minacce vengono anche dagli atteggiamenti sia degli
“integrati” sia degli “apocalittici”

Riepilogando
Che fare?
 prendere coscienza del nuovo ambiente in cui viviamo
 approfondire i nuovi meccanismi e i nuovi strumenti
 sperimentare nuovi metodi di approccio alla conoscenza e
al processo decisionale
 e soprattutto: “maneggiare con cautela!” (cfr. il caso Flu
Trends di Google)

Per inquadrare i temi generali:
si può fare riferimento ai testi citati in questa presentazione:
• G. Corbellini, Storie e teorie della salute e della malattia, Carocci 2014
• V. Eletti, Viaggio nelle immense miniere dei dati digitali, Guaraldi 2013
• F. Rampini, Rete padrona, Feltrinelli 2014
• N. Silver, Il segnale e il rumore, Fandango Libri 2013
a cui aggiungerei:
• Paolo Vineis, Salute senza confini. Le epidemie al tempo della
globalizzazione, Codice edizioni 2014
Per approfondire: testi
Testi di
riferimento

Sono numerosi i corsi dedicati al management dei big data,
soprattutto in chiave di supporto alle decisioni in ambienti complessi.
Ecco alcuni appuntamenti tra i più interessanti nel prossimo mese.
Il primo è il CMWL, Complexity Management Winter Lab,
organizzato dal Complexity Institute,
e dedicato proprio a big data e reti neurali,
a Santa Margerita Ligure,
in full immersion,
dall’8 al 14 marzo prossimi
Per info e dettagli:
http://www.complexityinstitute.it/?page_id=6965
Per approfondire: corsi
Corsi

Sul fronte dell’alta formazione di lunga durata (master di due anni)
segnaliamo il corso “Analytics and Business Intelligence”
organizzato dal MIP, la business school del Politecnico di Milano,
dedicato nello specifico ai big data e alla loro interpretazione e gestione.
La scadenza per l’iscrizione è 15 marzo prossimo.
Durata due anni, 400 ore di lezioni, distribuite su 2 o 3 giorni al mese.
Info: www.mip.polimi.it/mip/it/globals/news/master-in-apprendistato.html
Da tenere d’occhio le news della SICC,
la Società Italiana Caos e Complessità, in cui si trovano info
sia sui corsi organizzati ogni anno in Italia sia i maggiori corsi all’estero:
http://www.sicc-it.unina.it/
Per approfondire: corsi
Corsi

Da maggio a luglio 2015 si svolgerà la sesta edizione del Festival della
complessità, che replicherà l’impostazione dello scorso anno, quando si
tenne una serie di 194 eventi, incontri, manifestazioni,
conversazioni e convegni interdisciplinari in 23 diverse città, su 11 regioni.
Qui trovate la distribuzione geografica degli eventi dello scorso anno:
http://www.dedalo97festivaldellacomplessita.it
Tra breve vi troverete anche il programma 2015
Nota importante:
molte sono le iniziative che hanno per tema
la medicina, le terapie e il sistema sanitario.
Per approfondire: incontri
Incontri

Per informazioni, indicazioni bibliografiche e consigli di lettura,
mi potete contattare attraverso la mia email dell’Università:
valerio.eletti@uniroma1.it
... o sul sito del
Complexity Education Projetc:
www.complexityeducation.it
Per approfondire: contatti

Traccia dell'intervento al seminario su medicina e sistemi complessi all'ospedale San Filippo Neri di Roma

Recommended

Recommended

More Related Content

What's hot

What's hot (13)

Viewers also liked

Viewers also liked (7)

Similar to Traccia dell'intervento al seminario su medicina e sistemi complessi all'ospedale San Filippo Neri di Roma

Similar to Traccia dell'intervento al seminario su medicina e sistemi complessi all'ospedale San Filippo Neri di Roma (20)

More from Valerio Eletti

More from Valerio Eletti (20)

Traccia dell'intervento al seminario su medicina e sistemi complessi all'ospedale San Filippo Neri di Roma