Con l’AI le strutture sanitarie hanno a disposizione una nuova tecnologia che aiuta a trovare correlazioni ignote fra eventi, dati diagnostici, demografici, geografici ed epidemiologici, oltre che utile per ottimizzare il flusso di lavoro operativo. Tutta la sanità -ospedali, medici, cliniche dentistiche e laboratori di analisi – può utilizzare i dati e le cartelle cliniche dei pazienti in modo intelligente al fine di salvare più vite umane e migliorare i propri processi operativi. L’obiettivo primario delle aziende sanitarie è migliorare costantemente i risultati sui pazienti, sia diagnostici che terapeutici, e fornire assistenza migliore, però senza aumentare i costi, ma al contrario semplificando i percorsi clinici e i relativi flussi di lavoro. Con le nuove tecnologie di Machine Learning e intelligenza artificiale ora disponibili, le aziende in ambito sanitario possono fornire soluzioni guidate dai dati che includono il miglioramento dei risultati dei pazienti, la gestione dei reclami, l’individuazione di frodi e la previsione di infezioni acquisite in ospedale.
Esempi di casi di utilizzo dell’intelligenza artificiale
- Migliorare il flusso di lavoro clinico: le strutture sanitarie possono utilizzare il Machine Learning sui dati storici per apportare miglioramenti operativi a livello di sistema, dall’ottimizzazione del flusso di lavoro (con indicazioni basate sui dati su a quali pazienti dare quale priorità) all’ottimizzazione del personale (ad esempio, previsioni sempre più corrette su numero di ricoveri ospedalieri o di accessi al pronto soccorso in base a una moltitudine di fattori). Uno dei casi di utilizzo operativo più pratico per il Machine Learning è la definizione delle priorità nelle worklist, che sono lo strumento principe, soprattutto oltreoceano, per ottimizzare i costi in ambito sanitario. Se il personale di un’organizzazione non è in grado di lavorare in modo fluido ed efficiente sulla propria lista di attività o se un’azione prevista in procedura non si applica a tutti i casi in lista, il Machine Learning aiuta a dare la priorità ai pazienti che hanno più bisogno di attenzione raccomandando la priorità delle operazioni.
- Ottimizzazione delle mancate presentazioni: un altro caso d’uso operativo del Machine Learning riguarda le percentuali di mancata presentazione agli appuntamenti prenotati presso strutture sanitarie, che vanno dal 10 fino al 30 percento, e portano a sottoutilizzare costose attrezzature, a ridurre la produttività della struttura sanitaria e a un minore accesso alle cure da parte degli utenti. Una struttura sanitaria nel New England ha recentemente sviluppato un modello di Machine Learning addestrato su tutta la storia degli accessi precedenti alla struttura per prevedere quali appuntamenti avrebbero potuto causare la mancata presentazione del paziente. Il modello, che esamina variabili come dati demografici, mancate presentazioni passate, giorno della settimana, ora dell’appuntamento, tipo di appuntamento, e altri dati a essi correlati, ha battuto l’efficacia predittiva di tutti i modelli pubblicati in letteratura e ha favorito la creazione di due classi di contromisure: (1) sensibilizzazione sul problema verso i pazienti dal cui profilo si prevede il probabile no-show, e (2) appuntamenti programmati in base alla probabilità del paziente di non presentarsi. Qui notiamo che casi d’uso avanzati possono derivare da un’applicazione relativamente semplice del Machine Learning: infatti si è dimostrato più difficile ottimizzare automaticamente la pianificazione tramite slot di overbooking per persone che potrebbero non presentarsi, rispetto all’utilizzo del Machine Learning per mettere correttamente nel giusto ordine di priorità la coda di un call center dedicato (anche semiautomatico) a fare chiamate per ricordare la visita ed eventualmente riprogrammare.
- Prevenzione delle infezioni nosocomiali: le infezioni acquisite in ospedale sono un grosso problema sia per i pazienti che per gli operatori, in quanto si tratta in larga parte di batteri antibiotico-resistenti che è difficile quindi debellare. Utilizzando modelli basati sull’intelligenza artificiale, le strutture sanitarie possono prevedere quali pazienti hanno maggiori probabilità di sviluppare infezioni partendo da una varietà di dati, tra cui anamnesi remote e prossime dei pazienti e la serie dei trattamenti in corso. Con questa previsione è possibile monitorare i pazienti ad alto rischio e intervenire modificando le procedure mediche e infermieristiche per ridurre il rischio di infezione.
- Gestione rischio finanziario: i benefici del Machine Learning si estendono oltre gli aspetti clinico e operativo, soprattutto per le strutture sanitarie private non convenzionate con un sistema sanitario nazionale che copre comunque i costi di ogni raggruppamento omogeneo di diagnosi. Un esempio di caso di utilizzo finanziario del Machine Learning proviene quindi da una grande struttura sanitaria americana che soffriva di margini in calo perché molti dei suoi pazienti non riuscivano poi a saldare i conti non coperti dalla propria assicurazione. Il sistema ha creato un modello ad autoapprendimento addestrato su 500mila clienti per assegnare punteggi di rischio della propensione a non pagare per tutti gli oltre 140mila pazienti gestiti al mese. Il modello ha fornito indicazioni su quali pazienti avrebbero necessitato di quali interventi (ad es. chiamate di sollecito, cure in beneficenza, dilazioni di pagamento e assicurazioni alternative). Grazie a questa integrazione, l’ottimizzazione finanziaria è andata sia a beneficio sia dei pazienti che della struttura sanitaria: le aziende incassano crediti che altrimenti rimarrebbero insoluti e i pazienti pagano conti che altrimenti non potrebbero.
- Medicina di precisione: il Machine Learning viene ora utilizzato nel settore medico come strumento per realizzare la cosiddetta “medicina di precisione”, dove le procedure vengono personalizzate sulle specifiche esigenze del singolo paziente invece di utilizzare un approccio generalista di una terapia uguale per tutti. Nella medicina di precisione vengono impiegati complessi test diagnostici per selezionare terapie appropriate e ottimali in base al contesto del contenuto genetico di un paziente o ad altre analisi molecolari o cellulari. Gli strumenti impiegati nella medicina di precisione infatti possono includere la diagnostica molecolare, l’imaging e l’analisi dei dati genetici, appunto, sfruttando tecniche di apprendimento automatico sulla grande mole di dati prodotti da tali test.
Prospettive e futuro dell’intelligenza artificiale nella sanità
Attualmente, nella maggior parte delle grandi strutture sanitarie dove si sta sperimentando l’intelligenza artificiale si stanno perseguendo casi d’uso predittivi di base e di alto livello, senza di certo sostituirsi in ambito clinico alle pratiche diagnostiche e terapeutiche controllate dall’uomo o protocolli sanitari. Nei prossimi anni, un numero maggiore di organizzazioni affronterà casi d’uso più avanzati che includeranno la generazione di nuove procedure cliniche man mano che le capacità di sviluppare soluzioni di apprendimento automatico avanzate aumentano e l’industria inizia a sfruttare tecniche di intelligenza artificiale più sofisticate (ad esempio integrando anche visione artificiale, analisi del linguaggio, ecc.). Ovviamente queste procedure andranno poi sperimentate e sottoposte a test clinici adeguati.
Già oggi le strutture sanitarie possono utilizzare strumenti predittivi intelligenti per pianificare il percorso clinico più appropriato, raccomandare terapie personalizzate e identificare i pazienti più a rischio. Inoltre la capacità delle soluzioni di Machine Learning di effettuare previsioni qualitative le rendono perfette per supportare la diagnosi medica mediante la fornitura di una second opinion che, in alcuni ambiti clinici e assicurativi è anche obbligatoria se non fortemente consigliata.
In conclusione, malgrado molti dei casi d’uso più avanzati dell’intelligenza srtificiale in sanità a oggi implementati siano relativi a organizzazioni sanitarie lontane da un sistema sanitario spesato dal welfare nazionale in base a costi standard (come in buona parte d’Europa), l’introduzione di strumenti avanzati di riduzione dei rischi e di second opinion basati sull’autoapprendimento è già una realtà anche in Italia, così come l’utilizzo del Machine Learning nel’analisi dei dati molecolari nella medicina di precisione.
