“Train nasce come iniziativa dal Centro di ricerca per l’Intelligenza Artificiale all’interno dell’Istituto Clinico Humanitas e si occupa di sviluppare e validare modelli di Generative AI applicati al campo della medicina, in particolare della medicina personalizzata”. Così Saverio D’Amico, CEO e Co-Founder di Train spiega obiettivi e vantaggi dell’applicazione di GenAI e dati sintetici in ambito health&pharma in questa video-intervista per True-News.it. Insieme a lui Matteo Della Porta, CSO e Co-Founder di Train che si sofferma sull’importanza e sulle opportunità che i loro modelli validati, unitamente alla piattaforma tecnologica sviluppata da NTT DATA Italia, possono offrire per lo sviluppo di terapie per le malattie rare e in generale per le aziende farmaceutiche in grado di ottimizzare i trial clinici.
Train e il ruolo dei Digital Twin nella ricerca clinica
Grazie alla partecipazione a network e consorzi europei, Train ha infatti sviluppato modelli di intelligenza artificiale validati e già applicati in sperimentazioni cliniche. Noti anche come Digital Twin, sono in grado di replicare le caratteristiche di una patologia su un paziente individuale.
“Abbiamo creato modelli in grado di generare dati sintetici per i trial clinici, con l’obiettivo di supportare le decisioni mediche nei tre principali ambiti: diagnosi, prognosi ed efficacia terapeutica”, sottolinea D’Amico.
Ottimizzazione del workflow ospedaliero
Train non si limita alla ricerca, ma offre soluzioni innovative per migliorare il workflow ospedaliero. “Con le nostre soluzioni aiutiamo i medici e gli operatori sanitari ad esempio nella compilazione automatica dei referti clinici durante le visite. I nostri modelli AI trascrivono le conversazioni medico-paziente, catturano le informazioni e le rendono disponibili per la ricerca sanitaria” prosegue il CEO di Train.
Un altro aspetto fondamentale è la protezione dei dati sensibili. “I nostri modelli sono sviluppati rispettando la privacy e la compliance dei dati sanitari, ottimizzando la ricerca e garantendo la sicurezza delle informazioni”, aggiunge D’Amico.
L’importanza dell’Intelligenza Artificiale Generativa per le malattie rare
Un’applicazione particolarmente significativa di intelligenza artificiale generativa e dati sintetici riguarda le malattie rare, un settore in cui la scarsità di pazienti rende difficile condurre studi clinici tradizionali. Matteo Della Porta, CSO e Co-Founder di Train, sottolinea: “L’uso di dati sintetici permette di ridurre la necessità di arruolare pazienti reali nei trial clinici, accelerando i tempi di sviluppo di nuove terapie e riducendo i costi della sperimentazione”.
La partnership con NTT DATA Italia
Per garantire l’efficacia delle sue soluzioni Train ha scelto un’azienda leader nella trasformazione digitale come NTT DATA Italia come partner tecnologico. “NTT DATA ha un forte focus sull’innovazione e offre una piattaforma tecnologica altamente validata e conforme agli standard di sicurezza informatica. La nostra collaborazione ci permette di rendere utilizzabili i nostri algoritmi AI in un contesto di innovazione avanzata” precisa D’Amico.
Il valore per le aziende farmaceutiche
Le aziende farmaceutiche mostrano un grande interesse per le potenzialità di questi modelli, poiché consentono di ridurre tempi e costi nelle sperimentazioni cliniche. “L’uso di dati sintetici come braccio di controllo nei trial clinici potrebbe rivoluzionare il settore, rendendo i processi di sperimentazione più efficienti e sostenibili”, afferma Della Porta.
Privacy e gestione dei dati: una priorità
Data la natura sensibile dei dati clinici, Train ha adottato un approccio rigoroso alla privacy. “Essendo uno spin-off di un grande ospedale, la privacy è una nostra priorità assoluta. I nostri algoritmi sono sviluppati internamente, evitando l’uso di risorse esterne e garantendo il massimo livello di protezione”, chiosa D’Amico.
Un esempio concreto è l’uso dell’apprendimento federato, una tecnologia che permette di addestrare modelli AI senza condividere i dati sensibili. “Invece di condividere dati per addestrare un unico modello, addestriamo più modelli separatamente e condividiamo solo la conoscenza acquisita, garantendo così la sicurezza delle informazioni”.