Il mondo dell’assistenza sanitaria in ambito ospedaliero sta scommettendo da anni che l’intelligenza artificiale possa aiutare a identificare e trattare i pazienti a più alto rischio nelle unità di pronto soccorso, nei reparti di degenza e nelle unità di terapia intensiva, affinché vengano contrastati o evitati pericoli come la sepsi, gli arresti cardiaci o l’insorgere di ictus.
Gli algoritmi di IA stanno elaborando grandi quantità di dati, “attingendo” dalle cartelle cliniche elettroniche dei pazienti, alla ricerca di modelli che prevedano gli esiti futuri e raccomandino i rispettivi trattamenti da effettuare. Vengono implementati sistemi di preallarme per aiutare il personale ospedaliero a individuare i più piccoli (ma seri) cambiamenti nelle condizioni di un paziente, i quali non sono sempre facilmente individuabili dal personale sanitario in unità affollate (come quella di Pronto Soccorso), prevedendo quali pazienti – che stanno per essere dimessi dall’ospedale – sono a più alto rischio di esservi riammessi nel prossimo futuro.
Questi sistemi sono solo una parte della più vasta gamma di utilizzo dell’Intelligenza Artificiale in sanità, dall’aiutare a rilevare il cancro nelle immagini radiologiche all’identificare quali farmaci testare sui pazienti affetti da diverse malattie. Questa tecnologia è particolarmente “promettente”, poiché mira a trasformare il concetto di cura, migliorando la sicurezza del paziente presente nella già citata unità di pronto soccorso ovvero ricoverato in terapia intensiva; a condizione – sia chiaro – che tali sistemi non siano viziati da pregiudizi di varia natura (si pensi alle discriminazioni etniche e di genere) che possono affliggere l’efficacia stessa dell’Intelligenza Artificiale. Guardiamo ora ad alcuni esempi made in USA di applicazione di tale tecnologia, con un particolare focus sulla “piaga” della sepsi in ospedale.
Il machine learning per prevedere la sepsi
Nel 2020 la Duke University Hospital di Durham, Carolina del Nord, sviluppò[1] un proprio modello di Machine Learning (apprendimento automatico, branca dell’Intelligenza Artificiale) per prevedere la sepsi, utilizzando i dati prelevati dal proprio database di cartelle cliniche elettroniche, dopo aver notato che un diverso modello – comunemente usato per rilevare la sepsi – stava innescando dei falsi allarmi. Peraltro, un problema abbastanza comune poiché gli algoritmi sviluppati da fornitori e sviluppatori esterni sono, in genere, basati su dati presi da altri ospedali. Per il suo modello “Sepsis Watch”, l’università di Durham procedette al suo “addestramento” con oltre trentadue milioni di punti di dati, tra cui misurazioni dei segni vitali, rapporti di laboratorio e somministrazione di farmaci derivanti da circa quarantaduemila interazioni con i pazienti ricoverati, analizzati su un periodo di quattordici mesi (permettendo l’individuazione della sepsi in poco più del ventuno percento dei pazienti analizzati). Sepsis Watch fu programmato per raccogliere, ogni cinque minuti, i dati derivanti dai segni vitali, dai farmaci e dai risultati di laboratorio di ogni paziente interessato, procedendo successivamente ad analizzare ottantasei diverse variabili, campionandole più volte e identificando i casi che avrebbero potuto indicare un “inizio” di sepsi. Allo stesso modo, il colosso non-profit americano HCA Healthcare di Nashville, Tennessee, sviluppò[2] un algoritmo predittivo chiamato “Sepsis Prediction and Optimization of Therapy”, o “SPOT”, che controlla continuamente i dati dei pazienti per identificare i casi in cui l’insorgere della sepsi è potenzialmente imminente.
L’algoritmo di SPOT era in grado di rilevare la sepsi “in maniera precisa”, sei ore prima rispetto ai medici, consentendo al sistema sanitario (in questo caso, USA) di ridurre i tassi di mortalità da sepsi, in centosessanta ospedali, di quasi il trenta percento. Separatamente, il consorzio californiano Kaiser Permanente sviluppò[3] il suo “Advance Alert Monitor”, un modello predittivo che può identificare circa il cinquanta percento dei pazienti che sono a rischio di declino imminente e innescare un “codice blu” (codice assegnato al paziente “fuori reparto” con funzioni vitali compromesse, come nel caso di arresto cardiaco ed arresto respiratorio). Advance Alert Monitor fornisce punteggi che predicono il rischio di trasferimento in terapia intensiva o di morte del paziente monitorando continuamente i dati dei pazienti presenti in struttura; questi punteggi sono condivisi celermente nel nosocomio interessato, consentendo al personale di procedere a curare i pazienti con quadro stabile, i quali possono aver bisogno di uno screening o di un monitoraggio aggiuntivo. Inoltre, per diminuire il rischio di “stanchezza da allerta”, i risultati del modello di Kaiser Permanente sono supervisionati a distanza da infermieri appositamente formati, garantendo così che i loro colleghi presenti al letto del paziente possano concentrarsi unicamente sulla cura immediata dell’interessato. Se e quando il punteggio di un paziente attraversa una soglia chiave, il personale presente da remoto si mette in contatto con l’infermiere al letto del paziente, il quale avvia una valutazione formale e fa intervenire il medico incaricato. Nel complesso, secondo uno studio pubblicato verso la fine dello scorso anno[4], gli ospedali che hanno utilizzato Advance Alert Monitor, rispetto a quelli che non l’hanno fatto, hanno avuto tassi di mortalità ospedaliera più bassi, tassi minori di ammissione in terapia intensiva e durata di soggiorno in ospedale decisamente più breve.
Alla ricerca di nuovi approcci e nuove soluzioni
Come i sistemi di Intelligenza Artificiale che assumono man mano un ruolo più importante negli ospedali, i ricercatori continuano a cercare nuovi approcci e nuove soluzioni. Mentre gli algoritmi utilizzano le statistiche per tracciare i modelli nei dati clinici e prevedere i risultati nei diversi pazienti, molteplici fattori possono portare a una mancata corrispondenza tra i dati su cui si basa l’algoritmo e il suo utilizzo nel “mondo reale”; difetti che, se non rilevati, potrebbero far sì che un algoritmo non riesca a diagnosticare pazienti gravemente malati ovvero procedere col raccomandare trattamenti dannosi. I problemi, a volte, si verificano quando gli sviluppatori prendono un modello che è stato specificamente addestrato utilizzando i dati di un certo ospedale o di determinate strutture ospedaliere e lo iniziano ad utilizzare in altri ospedali e con altri pazienti. Così come possono utilizzare un modello in un ospedale per un lungo periodo senza aggiornare i dati, potendo altresì applicare modelli predittivi basati su una determinata popolazione senza tener conto dei possibili pregiudizi etnici che possono interessare tali modelli (cosiddetti “bias” dell’Intelligenza Artificiale). Per utilizzare in modo sicuro i modelli a loro disposizione, gli ospedali devono comprendere appieno quando l’Intelligenza Artificiale non funziona “come previsto”, dando priorità ai problemi in base al fatto che siano risolvibili (e in quale maniera). Una nuova “ondata” di capacità alimentate dall’Intelligenza Artificiale, probabilmente, migliorerà e, persino, trasformerà le operazioni di assistenza sanitaria, ma il successo con queste nuove tecnologie richiede un forte programma di analisi “di base”.
Conclusioni
Le organizzazioni sanitarie devono assicurarsi di avere fonti (certe) di dati dalle quali “attingere”, la giusta architettura dei sistemi, la governance adeguata, nonché il talento, la leadership e la cultura “AI-oriented” del suo management affinché i modelli utilizzati forniscano un valore coerente con la realtà. Peraltro, al momento, questa è la “versione americana delle cose”, ben diversa da quella europea e dai suoi ben più severi approcci (normativi ed etici in primis). [5][6]
Note
- Duke’s Augmented Intelligence System Helps Prevent Sepsis in the ED. Duke Health. https://physicians.dukehealth.org/articles/dukes-augmented-intelligence-system-helps-prevent-sepsis-ed ↑
- HCA Healthcare says analytics system can detect sepsis quickly. Healthcare IT News. https://www.healthcareitnews.com/news/hca-healthcare-says-analytics-system-can-detect-sepsis-quickly#:~:text=SPOT%20platform%20uses%20algorithms%20to,in%20EHRs%2C%20the%20system%20says.&text=Nashville%2Dbased%20HCA%20Healthcare%20announced,quickly%20identify%20patients%20with%20sepsis. ↑
- Kaiser Permanente reduces patient mortality with predictive analytics. CIO. https://www.cio.com/article/220507/kaiser-permanente-reduces-patient-mortality-with-predictive-analytics.html ↑
- Kaiser’s New Advance Alert Monitor Program Recognized. Oakdale Leader. https://www.oakdaleleader.com/news/kaisers-new-advance-alert-monitor-program-recognized/ ↑
- How Hospitals Are Using AI to Save Lives. The Wall Street Journal. https://www.wsj.com/articles/how-hospitals-are-using-ai-to-save-lives-11649610000#:~:text=They%20are%20creating%20early%2Dwarning,highest%20risk%20of%20being%20readmitted. ↑
- The promise (and peril) of hospital AI, according to the Wall Street Journal. Advisory Board. https://www.advisory.com/daily-briefing/2022/04/12/ai-hospitals ↑
