Gli small data sono definiti come quei dati di dimensione abbastanza «piccola» da poter essere immediatamente compresi da un essere umano, non tanto nella loro interpretazione che ovviamente ha sempre e necessariamente bisogno della analisi, ma nel loro significato biologico generale. Tipicamente, sono il risultato di esperimenti di laboratorio che non utilizzano macchine per l’analisi dei dati omici, bensì altre biotecnologie in grado di misurare relativamente «pochi» dati per provare a rispondere alla domanda che interessa. Intanto, va da sé, che il problema di essere «ingannati» dai dati è molto remoto in questo caso, perché il medico/biologo ha sempre perfettamente chiaro quale sia la domanda che interessa e gli esperimenti sono scelti in base alla sua conoscenza del fenomeno. Potremmo chiamare questo approccio «guidato dalla conoscenza» (knowledge-driven). I «piccoli dati» sono dati locali immediatamente utilizzabili e personalizzati, che possono fornire preziose informazioni e consentirne un utilizzo diretto in collaborazione con l’analista dei dati. La combinazione di big e small data può diventare estremamente utile, nonostante il fatto che i dati omici siano sempre molto difficili da interpretare. Può però certamente accadere che l’analisi degli small data possa suggerire domande e ipotesi da verificare sui big data, per esempio, quelli provenienti dalle banche dati, o dal paziente stesso. Il paradigma di riferimento potrebbe essere sia quello che costruisce sugli small data una ipotesi sul funzionamento (normale o patologico) su base locale e cioè relativa alla specifica malattia di un dato paziente nel luogo della sua manifestazione fenotipica (per esempio, l’organo o il tessuto tumorale asportato), sia quello che definisce sui big data un contesto globale sul quale testare, validare le ipotesi ottenute analizzando gli small data. Questo approccio è molto promettente. L’importanza degli small data per valutare gli aspetti individuali del paziente sono bene espressi da José Sacristan e collaboratori:

La variabilità è l’essenza delle scienze biomediche. In medicina, l’eterogeneità degli individui richiede decisioni personalizzate a beneficio dei singoli pazienti. In teoria, il potenziale dei big data nel campo della salute potrebbe essere limitato da una medicina sempre più personalizzata. […] La vera sfida dei big data è come utilizzare analisi su larga scala basate sulla popolazione a beneficio dei singoli pazienti. […] Per generare conoscenze preziose, i big data devono provenire da dati clinici individuali di alta qualità. Non ci sono big data senza small data. […] Tuttavia, i big data non raggiungeranno il loro pieno potenziale se non verranno utilizzati per migliorare i risultati sanitari dei singoli pazienti da cui sono stati generati i dati.

È necessario quindi fondere i due paradigmi «big» e «small» per cercare di individuare le frecce causali e non solo le correlazioni fra i dati, incrementando così le prestazioni della medicina di precisione. Scrivono su questo Roy Kitchin e Tracey Lauriault:

Nel prossimo futuro non si verificherà un cambiamento di paradigma per cui gli studi che utilizzano i big data sostituiranno quelli che impiegano gli small data, ma piuttosto gli small e i big data si completeranno a vicenda [per] rispondere a domande specifiche e mirate. Pertanto, piuttosto che indirizzare i finanziamenti per la ricerca verso progetti che hanno accesso a grandi quantità di dati nella speranza che producano intrinsecamente intuizioni utili, i finanziamenti dovrebbero essere concentrati sulle domande cruciali, indipendentemente dal fatto che siano affrontate utilizzando piccoli o grandi dati.

Come vedremo il problema dell’integrazione fra big e small è in realtà molto sfaccettato e di complessa attuazione, perché l’interpretazione dei big è impossibile per un operatore umano, il quale necessita, quindi di «calcoli» e di «algoritmi» che permettano di estrarre informazione. Ma la successiva trasformazione dell’informazione in conoscenza può certamente avvantaggiarsi degli small data che permettono di individualizzare l’analisi mentre i big data potrebbero fornire il contesto biologico nel quale lo specifico fenotipo emerge in un paziente particolare. Resta però l’elefante nella stanza: come ottenere questa integrazione? Basterà trovare un «super algoritmo» magari «super intelligente» per cui premendo il tasto enter non dovremo far altro che aspettare il responso, oppure servirà molto altro e di natura del tutto diversa?

Torniamo agli small data e vediamo un esempio che mal si presta ad un approccio esclusivamente basato sui big data: la prevenzione ed il trattamento dell’obesità. Questo esempio, come vedremo, è del tutto esemplificativo dei problemi che si possono riscontrare in qualsiasi malattia complessa. Come è ben noto, infatti, l’obesità fa parte proprio delle cosiddette malattie complesse perché le cause sottostanti si manifestano nel tempo in modo diverso e persino la fisiologia del bilancio energetico – che dovrebbe essere comune a tutti – si manifesta nei modi più vari. Se è vero che mangiare meno del necessario fa perdere peso, è altrettanto vero che ciascun paziente «mangia di meno» in modo molto diverso dagli altri, sulla base della sua dieta preferita, ma anche della sua attività sociale e culturale, dal momento della giornata in cui assume cibo, ai comportamenti appresi durante l’infanzia, e molti altri fattori che ne determinano una grande variabilità. Di più. Anche le diete seguite sono estremamente differenti fra loro, il che fa pensare a differenze a livello biochimico nella fisiologia del paziente. È ovvio come non si possa prescindere da tutto questo per un corretto inquadramento del problema individuale.

Comunque, per la maggior parte dei casi, i successi sono decisamente modesti, soprattutto per quanto riguarda il mantenimento del peso dopo la dieta. Si tratta quindi di una condizione cronica che si sviluppa spesso nel corso di moltissimi anni e, pertanto, l’approccio big data non potrà essere mai sufficiente perché si tratta di un fenomeno estremamente variabile nel tempo e che si manifesta in modi idiosincratici e, come tali, imprevedibili a causa dell’impossibilità di mantenere una dieta costante e bilanciata. In questi casi, non è nemmeno possibile capire quando la situazione fisiologica sarà cambiata per decidere i tempi di esecuzione delle analisi omiche. In poche parole, gli small data che possano profilare il paziente sulla base del suo comportamento e alle sue condizioni psicologiche e sociali diventano un elemento essenziale per il trattamento di questa e di qualsiasi altra malattia complessa. È chiaro che questo aumento esponenziale nello spazio dei parametri per identificare dei pattern renderà necessario avere a disposizione immense quantità di dati per tempi sempre più lunghi. Ma le complicazioni non finiscono qui. Come scrivono Hekler e colleghi:

Anche con le grandi serie di dati disponibili, l’approccio ai big data richiede una grande conoscenza del fenomeno per garantire l’inclusione dei tipi di dati giusti. Ad esempio, la razza è comunemente misurata, in parte perché è relativamente facile da misurare attraverso l’autodichiarazione e utilizza categorie «standardizzate». Molti lavori stanno mettendo in discussione le ipotesi sul significato di questa variabile, in particolare l’ipotesi implicita che la razza sia un concetto biologico piuttosto che socialmente costruito. La «razza» dipende in larga misura dal contesto culturale in cui un individuo si trova. È plausibile che le categorie di razza creino più rumore che segnale quando vengono utilizzate, in particolare se vengono trattate come realtà biologiche e immutabili.

Un grande fan degli small data è certamente Sherlock Holmes, che con la sua mente speculativa riusciva a mettere insieme in una storia coerente tanti piccoli indizi. È ormai entrata nel mito l’episodio de Il segno dei quattro quando Holmes riesce a ricavare molte informazioni guardando (osservando!), l’orologio di Watson:

Salvo rettifiche da parte sua, io direi che quell’orologio è appartenuto a suo fratello maggiore, il quale a sua volta dovette ereditarlo da vostro padre. […] Suo fratello era un uomo di abitudini disordinate, molto disordinate e trascurate. Gli furono date molte buone occasioni, ma egli buttò via ogni probabilità di successo, vivendo a volte poveramente, a volte con brevi intervalli di prosperità, finché, datosi al bere, morì. Ecco tutto quello che ho potuto intuire.

Scrive Emily Singer, giornalista scientifica di Wired:

Gli sforzi per i big data hanno quasi invariabilmente generato dati più complicati di quanto gli scienziati si aspettassero, portando alcuni a mettere in dubbio la saggezza di finanziare progetti per creare più dati prima che i dati già esistenti siano adeguatamente compresi.

L’esperto di marketing Martin Lindstrom non nasconde il suo entusiasmo:

La realtà è che una raccolta di indizi non richiede altro che intuito, occhi e mente aperta per essere in grado di individuare le piccole cose che potrebbero portare a scoperte molto più grandi. In un mondo ossessionato dai big data, la prossima novità è quella che io chiamo la «rivoluzione dei piccoli dati». È una rivoluzione basata su questa semplice osservazione.

Nelle situazioni più critiche e difficili che si presentano spesso nella medicina di precisione si può dire che l’opinione della maggioranza è sempre sbagliata, proprio perché il contesto della «maggioranza» è del tutto diverso dal contesto del paziente che è invece quello della «minoranza» estrema, cioè il contesto del singolo caso particolare o di un gruppo ristretto di pazienti «simili». Parleremo in seguito di cosa si intenda per pazienti «simili», ma per adesso ci fermiamo qui. Può aiutarci, in questa situazione, un qualsiasi algoritmo data-driven? Ovviamente no, proprio perché siamo nel caso in cui le sue ipotesi di lavoro non si applicano, e cioè casi generalizzabili, semplici, di facile riconoscimento e laddove la maggioranza avrebbe un’opinione comune stabilizzata. Se per esempio vogliamo sapere quali sono i gironi infernali nella commedia di Dante, allora tutti d’accordo e la risposta sarà corretta, ma se vogliamo sapere chi ha ucciso John Kennedy, allora la situazione si complica e di molto. Nella medicina dei «casi unici», che si chiama anche «medicina personalizzata», e che utilizza le enormi masse di dati bio-molecolari (big data), il confine di ciò che un algoritmo «intelligente» può fare è superato ed affidarsi ad una qualche forma di «apprendimento» da casi «analoghi» che non esistono per definizione non è solo un azzardo, ma un vero e proprio errore sia sul piano concettuale che pratico e dalle conseguenze gravissime. Cosa fa un gruppo multidisciplinare di esperti? Invece di muoversi sul piano «descrittivo» della malattia in questione, la discussione si concentrerà sulle «cause» e cioè sui meccanismi molecolari che potrebbero sostenere il mantenimento della condizione patologica. Ma se adesso utilizzassimo un algoritmo per costruire un gruppo multidisciplinare in silico, cioè computerizzato? Potremmo ottenere bot di precisione per la gioia di tutti. O quasi. Il problema è che questo bot digitale non potrebbe mai sostituire un gruppo di esperti umani, ma non per motivi di «orgoglio della sapienza umana» o per «l’intuito irriducibile di medici e statistici», ma per un motivo molto più terra terra: dalle decisioni che escono da un gruppo multidisciplinare che tratta un caso «unico» non c’è niente da imparare per un algoritmo, mentre i singoli casi clinici fanno parte della formazione professionale standard per qualsiasi disciplina medica. Sembra strano, ma se ci pensate è ovvio che per «imparare» secondo un algoritmo ci vogliono tanti casi «simili» in modo da poter «allenare» i neuroni artificiali. Ma qui i casi sono tutti diversi! Anzi, sono finiti sotto analisi del gruppo multidisciplinare proprio per questo motivo! Ed ecco quindi la cattiva notizia: un algoritmo puramente data-driven non è utilizzabile (è anzi dannoso) nella medicina di precisione, cioè in quella medicina altamente personalizzata e che utilizza grandi quantità di dati molecolari, e che non può quindi essere di alcun aiuto. La decisione medica necessita invece di strumenti potenti di integrazione dei dati, in modo da avere una visione d’insieme comune delle caratteristiche micro e macro del paziente, e soprattutto sarà essenziale la capacità di integrare le competenze, cioè di avere una visione d’insieme comune dell’interpretazione da dare ai dati, che sarebbe poi proprio l’informazione che si riesce insieme a tirar fuori. Il mantra del giorno è: «quando si vogliono alte prestazioni, la maggioranza ha sempre torto».

In conclusione, mentre gli small data difficilmente possono ingannarci, proprio perché siamo in grado di capirli, almeno nelle loro caratteristiche essenziali, lo stesso non vale per i big data i quali, essendo prodotti in quantità immense, molto facilmente possono nascondere insidie per la loro corretta interpretazione. L’integrazione fra small e big è la sola strada percorribile ma allora sarà necessario abbandonare la filosofia di moda del data-driven (cioè guidato dai dati) e riscoprire l’approccio question-driven (cioè guidato dalla domanda). Quante volte accade che i big data semplicemente non contengano i dati necessari per estrarre l’informazione che si cerca? Bisogna allora ripartire dalla domanda e costruire un percorso diverso condiviso fra analisti dei dati e clinici.