Non tutta l'innovazione luccica

BANCHE DATI CONDIVISE E UN QUADRO NORMATIVO ROBUSTO SONO LE CONDIZIONI AFFINCHE' I NUOVI ALGORITMI TROVINO REALE APPLICAZIONE IN SANITA' DIVENTANDO COSI' UNA VERA INNOVAZIONE DI BUSINESS

di Anna Gatti, Associate professor of practice in Digital transformation, SDA Bocconi

La convergenza tra scienze della vita e tecnologie digitali ha generato per la prima volta nella storia la reale opportunità di una contaminazione feconda tra settori e competenze. Quando una convergenza tra settori lontani accade, è foriera di grande innovazione.
Non è tuttavia sufficiente che ci siano innovazioni in laboratorio per potere parlare di innovazione di servizio. Le implicazioni socio-culturali, regolamentari e di business sono chiave per la traduzione delle scoperte scientifiche in innovazioni di mercato.

Mentre è indubbio che il tema dell’intelligenza artificiale in ambito sanitario sia ampiamente dibattuto e viva un momento di hype mediatico, le applicazioni che da essa derivano hanno diversi livelli di readiness, ovvero di prontezza all’adozione da parte di un mercato. Per potere capire l’effettiva applicabilità dell’intelligenza artificiale in sanità in Italia, occorre dunque guardare alle singole applicazioni ed evitare di parlare in modo generale di Artificial Intelligence in sanità. Per fare ciò, il LIFT Lab di SDA Bocconi School of management ogni anno elabora il “LIFT radar”, un nuovo strumento di ricerca che offre una mappatura ragionata delle nuove applicazioni, pensato per aiutare i decisori ad acquisire una visione più nitida e completa sulle opportunità che emergono dalla frontiera dell'innovazione posta alla convergenza tra tecnologie digitali e scienze della vita. Guardando l'immagine del radar, il lettore può visualizzare la valutazione delle diverse applicazioni di intelligenza artificiale, in base a precise variabili, e acquisire una chiara comprensione di quanto una specifica applicazione sia pronta per essere adottata con successo dal nostro mercato. Applicando questa metodologia, appare evidente che il mercato domestico sia pronto per l’adizione di alcune applicazioni di intelligenza artificiale, mentre ci sono altre aree per cui maggiori definizioni normative, regolamentari e organizzative sono necessarie affinché l’innovazione tecnologica possa trovare piena realizzazione nel business.

I modelli predittivi di radiogenomica, per esempio, che richiedono una integrazione di dati di diversa natura basata su algoritmi di intelligenza artificiale, trova le necessarie condizioni di adottabilità nel nostro mercato. Pertanto, è sicuramente un’area in cui le organizzazioni sanitarie devono investire oggi per rimanere competitive domani.  La soluzione dei digital twin (alias digitali sui quali poter compiere simulazioni), che oggi rappresentano un’area di grande interesse per gli investimenti di capitali di rischio negli Stati Uniti, nel nostro mercato è limitata dalla presenza di poche banche dati omogenee e condivise, nonché da una limitata diffusione di wearable e altra sensoristica per la raccolta dinamica dei dati. In questo caso, benché la tecnologia sia pronta, le condizioni (per esempio necessità di raccolta dati dinamica, esistenza di banche dati omogenee e condivise) rende la traduzione della tecnologia in soluzione di business ancora non immediata. Le stesse limitazioni si notano per l’uso dell’intelligenza artificiale applicata al drug discovery. Questa soluzione sta diventando sempre più rilevante anche grazie agli ingenti capitali investiti oltre oceano dai venture capitalists, gli algoritmi di intelligenza artificiale sono pronti per la realizzazione dei modelli necessari, ma mancano ancora basi dati condivise e un quadro normativo sufficientemente robusto per consentire una piena traduzione del breakthrough tecnologico in innovazione di business. Non tutto ciò che è intelligenza artificiale è intelligente innovazione.