La medicina predittiva, preventiva, personalizzata e partecipativa, nota come P4, è l’assistenza sanitaria del futuro. Per accelerare la sua adozione e massimizzare il suo potenziale, i dati clinici su un gran numero di individui devono essere condivisi in modo efficiente tra tutte le parti interessate. Tuttavia, i dati sono difficili da raccogliere. È nascosto in singoli ospedali, studi medici e cliniche in tutto il mondo. Anche i rischi per la privacy derivanti dalla divulgazione di dati medici sono una seria preoccupazione e, senza tecnologie efficaci per la tutela della privacy, sono diventati un ostacolo al progresso della medicina P4.

Gli approcci esistenti forniscono solo una protezione limitata della privacy dei pazienti richiedendo alle istituzioni di condividere risultati intermedi, che a loro volta possono far trapelare informazioni sensibili a livello di paziente, oppure sacrificano l’accuratezza dei risultati aggiungendo rumore ai dati per mitigare potenziali perdite.

Ora, i ricercatori del Laboratorio per la sicurezza dei dati dell’EPFL , in collaborazione con i colleghi dell’ospedale universitario di Losanna (CHUV), del MIT CSAIL e del Broad Institute of MIT e di Harvard, hanno sviluppato “FAMHE”. Questo sistema di analisi federato consente a diversi fornitori di servizi sanitari di eseguire in modo collaborativo analisi statistiche e sviluppare modelli di apprendimento automatico, il tutto senza scambiare i set di dati sottostanti. FAHME colpisce il punto debole tra la protezione dei dati, l’accuratezza dei risultati della ricerca e il tempo di calcolo pratico – tre dimensioni critiche nel campo della ricerca biomedica.

In un articolo pubblicato su Nature Communications l’11 ottobre, il team di ricerca afferma che la differenza cruciale tra FAMHE e altri approcci che cercano di superare le sfide della privacy e dell’accuratezza è che FAMHE funziona su larga scala ed è stato matematicamente dimostrato che è sicuro, il che è un deve a causa della sensibilità dei dati. 

In due implementazioni prototipiche, FAMHE ha riprodotto in modo accurato ed efficiente due studi multicentrici pubblicati che si basavano sulla centralizzazione dei dati e su contratti legali su misura per studi centralizzati sul trasferimento dei dati, tra cui l’analisi di sopravvivenza di Kaplan-Meier in oncologia e studi di associazione genomica in genetica medica. In altre parole, hanno dimostrato che gli stessi risultati scientifici si sarebbero potuti ottenere anche se i dataset non fossero stati trasferiti e centralizzati.

“Finora nessuno è stato in grado di riprodurre studi che dimostrino che l’analisi federata funziona su larga scala. I nostri risultati sono accurati e sono ottenuti con un tempo di calcolo ragionevole. FAMHE utilizza la crittografia omomorfa multipartitica, che è la capacità di eseguire calcoli sui dati nella loro forma crittografata su diverse fonti senza centralizzare i dati e senza che nessuna parte veda i dati delle altre parti”, afferma il professor dell’EPFL Jean-Pierre Hubaux, capo senior dello studio autore.

“Questa tecnologia non solo rivoluzionerà gli studi di ricerca clinica multi-sito, ma consentirà anche e consentirà collaborazioni su dati sensibili in molti campi diversi come assicurazioni, servizi finanziari e difesa informatica, tra gli altri”, aggiunge il ricercatore senior dell’EPFL, il dott. Juan Troncoso-Pastoriza .

Breve video esplicativo

La privacy dei dati dei pazienti è una preoccupazione fondamentale dell’Ospedale universitario di Losanna. “La maggior parte dei pazienti desidera condividere i propri dati sanitari per il progresso della scienza e della medicina, ma è essenziale garantire la riservatezza di tali informazioni sensibili. FAMHE consente di eseguire ricerche collaborative sicure sui dati dei pazienti su una scala senza precedenti”, afferma Professor Jacques Fellay dell’unità di medicina di precisione del CHUV. 

“Questo è un punto di svolta verso la medicina personalizzata, perché, finché non esiste questo tipo di soluzione, l’alternativa è stabilire accordi bilaterali di trasferimento e utilizzo dei dati, ma questi sono ad hoc e richiedono mesi di discussioni per rendere sicuro che i dati saranno adeguatamente protetti quando ciò accade. FAHME fornisce una soluzione che consente una volta per tutte di concordare la cassetta degli attrezzi da utilizzare e quindi implementarla”, afferma la prof.ssa Bonnie Berger di MIT, CSAIL e Broad.

“Questo lavoro pone una base chiave su cui costruire algoritmi di apprendimento federato per una serie di studi biomedici in modo scalabile. È entusiasmante pensare a possibili sviluppi futuri di strumenti e flussi di lavoro abilitati da questo sistema per supportare diverse esigenze analitiche in biomedicina”, afferma il dott. Hyunghoon Cho presso il Broad Institute.

Quindi quanto velocemente e fino a che punto i ricercatori si aspettano che questa nuova soluzione si diffonda? “Siamo in trattative avanzate con partner in Texas, Paesi Bassi e Italia per implementare FAMHE su larga scala. Vogliamo che questo si integri nelle operazioni di routine per la ricerca medica”, afferma il dott. Jean Louis Raisaro del CHUV, uno dei ricercatori senior dello studio.