La letteratura sull’Intelligenza Artificiale evidenzia come essa possa impattare sull’organizzazione dei servizi sanitari rivoluzionando il modello di funzionamento degli erogatori, affiancando, supportando e sostituendo le attività umane e ridefinendo l’interazione tra gli operatori e i fruitori delle prestazioni.
IA e servizi sanitari: rivoluzione in corso
La traduzione delle potenzialità dell’IA è ancora agli inizi e si basa su approcci e intuizioni delle singole aziende e dei singoli operatori mentre la sua stessa comprensione specie da parte delle amministrazioni pubbliche è piuttosto limitata.
La ricerca in Sanità vede protagonisti i grandi player IT come nel caso dei modelli linguistici multimodali mentre, dal basso, operatori e singole Aziende Sanitarie sperimentano sul campo le potenzialità dei nuovi strumenti, innestando soluzioni estremamente efficaci perché tarate sulle esigenze immediate degli operatori e generate dall’alta variabilità territoriale che deriva dalla molteplicità dei sistemi che il Servizio Sanitario Nazionale consente alle singole regioni pur nella tutela dei Livelli Essenziali di Assistenza nazionali.
Alcuni cambiamenti sociali, dal declino demografico all’invecchiamento della popolazione (bassa natalità ed aumento dell’aspettativa di vita a 83,6 anni) e le loro conseguenze anche sul numero di medici disponibili (40.000 medici hanno lasciato l’Italia negli ultimi 5 anni) e sui tagli di spesa (nel periodo 2023-2026 secondo la Corte dei Conti su dati Nadef la spesa sanitaria scenderà dal 6,6 % del Pil al 6,1%) e di posti letto (3,1 pl ogni 1000 abitanti) spingono a riflettere su un nuovo modello assistenziale che utilizzi la capacità anche predittiva dell’Intelligenza Artificiale riflettendo sul ruolo degli ospedali e sulla necessità/possibilità di avvicinare l’assistenza a un livello maggiore di prossimità rispetto al paziente.
Il ruolo dell’IA nella gestione della Sanità
Tale ripensamento del paradigma della centralità dell’ospedale è un percorso comune in tutto il mondo in conseguenza del processo di deospedalizzazione che ha interessato i sistemi sanitari dei Paesi più avanzati e anche in conseguenza della Pandemia e ha sollecitato un pregnante dibattito anche in Italia nella comunità medica. È evidente che in tale ripensamento le tecnologie dell’IA e la Telemedicina giochino un ruolo assolutamente strategico.
La scarsa integrazione e comunicazione tra Medici di medicina generale, Territorio ed Ospedale e i ritardi del Fascicolo Sanitario Elettronico hanno effetti negativi e problematici sulla presa in carico del paziente come emerge chiaramente da una recentissima survey pubblicata da FADOI (federazione medici internisti ed ospedalieri) che ha evidenziato come si potrebbero evitare 2 milioni 250 mila ricoveri l’anno e un costo di 6 miliardi di euro, tra accessi impropri, ricoveri “sociali” evitabili.
L’impatto dell’IA sulla presa in carico dei pazienti
La survey ripropone quindi il problema della necessità di un modello di presa in carico globale del paziente che ad opinione della stragrande maggioranza dei medici intervistati non sarà nemmeno risolto dagli interventi di riforma della sanità territoriale finanziati dal PNRR.
In questa logica con questo articolo proponiamo un contributo per la definizione di un modello di applicazione dell’Intelligenza Artificiale e della Telemedicina per la presa in carico globale dei pazienti in particolare nel settore della dermatologia, per determinare alla luce delle nuove tecnologie una maggiore integrazione e comunicazione tra cure primarie e cure ospedaliere che metta al centro il paziente ed assicuri la necessaria continuità assistenziale.
L’IA nella dermatologia: un caso di studio
Come è noto, la dermatologia è una branca specialistica dove la diagnosi è centrata tendenzialmente sulla clinica (studio diretto del malato) e da ciò discende che la presa in carico del paziente può essere validamente supportata dall’Intelligenza Artificiale e dalle tecniche di Deep Learning utilizzate nel campo della Computer Vision per identificare, classificare, ridurre gli artefatti e in generale supportare l’azione del medico nella diagnosi e nel management del paziente. Nel modello tradizionale di gestione della rete sanitaria denominato Hub e Spoke il paziente viene reclutato dal medico di medicina generale e dallo specialista ambulatoriale e (nelle regioni che non hanno previsto la UOC di Dermatologia negli ospedali Spoke) nei casi di una patologia complessa inviato da essi all’ambulatorio dell’ospedale Hub per ricevere la diagnosi e le cure del caso.
Il modello di interazione tra assistenza territoriale e assistenza ospedaliera è particolarmente delicato perché può determinare ricoveri ed accessi impropri, la creazione di liste di attesa eccessive o indirizzare il paziente in una struttura non idonea alla diagnosi o alla prescrizione di terapie che solo alcune strutture possono effettuare (Centri prescrittori regionali). Tra le principali patologie dermatologiche, la Psoriasi classica, la Dermatite Atopica, l’Alopecia, l’Acne, gli Epiteliomi e alcune malattie infettive dermatologiche (Herpes Zoster e Simplex, Micosi, Piodermiti) si prestano a essere identificate e classificate con tecniche di Intelligenza Artificiale e Computer Vision meglio che altre patologie.
Il ruolo di supporto dell’IA in medicina generale
Le tecniche di Intelligenza Artificiale possono quindi essere un valido supporto per il medico di medicina generale per indirizzare il paziente verso la struttura più idonea, mettendolo al centro dei processi organizzativi e di cura ed evitando una duplicazione e dispersione del paziente in diverse visite con un aumento dei relativi costi individuali e di sistema.
L’IA può operare una prima valutazione semplificando il lavoro del medico (di base e specialista) riguardo all’anamnesi, alla diagnosi, all’estensione e gravità della malattia, alla sintomatologia, alla compilazione dei dati amministrativi che sono diventati un onere estremamente gravoso per il medico alla luce della complessa normativa e della burocratizzazione della funzione medica.
L’IA nella valutazione della gravità della psoriasi della dermatite atopica e dell’Alopecia
La valutazione della gravità della malattia è un passaggio cruciale per la presa in carico del paziente perché orienta il livello di cura. Nel caso della Psoriasi, l’indice di gravità della malattia è il PASI che ha un punteggio compreso fra 0 e 72 calcolato sulla base della sede, dell’estensione dell’eritema, dello spessore delle placche e della loro infiltrazione. Un altro indice definito BSA indica la percentuale di superficie corporea interessata dalla malattia. Invece l’impatto della malattia sulla qualità della vita del paziente viene definito attraverso un test denominato DLQI che si basa su una serie di domande cui il paziente deve rispondere.
L’IA può elaborare i dati degli indicatori appena descritti e, alla luce delle nuove acquisizioni scientifiche, integrarli in una logica di medicina personalizzata con i dati del paziente che indicano comorbilità e suggerire così in tempi rapidi la corretta presa in carico e destinazione verso la struttura sanitaria più appropriata.
Analogamente tale percorso alla luce degli specifici indici può costruirsi per le altre patologie come la dermatite atopica e l’alopecia che hanno precisi indicatori da calcolare. A titolo di esempio un paziente affetto da Psoriasi moderata-severa o Severa ha la necessità di essere curato presso un ospedale Hub o Spoke in quanto necessita di terapie sistemiche che spesso per comorbidità sono controindicate e quindi vanno trattate con i nuovi farmaci biotecnologici. Inoltre le forme gravi spesso si accompagnano a forme di artropatia psoriasica iniziale, spesso misconosciute, che invece trattate in fase iniziale possono essere bloccate prima che comportino deformazioni articolari.
L’importanza di una tempestiva identificazione della corretta terapia
L’importanza di una tempestiva identificazione della corretta terapia e quindi di un trattamento personalizzato e di precisione determina non solo le migliori condizioni possibili di vita del paziente ma un risparmio nel tempo per il servizio sanitario che evita, alla luce delle nuove acquisizioni della letteratura scientifica, di dover erogare in futuro, a causa del peggioramento dello stato di salute globale del paziente, prestazioni in acuto necessariamente ospedalizzate quindi più costose e con una risposta alla terapia non sempre ideale. Il modello può essere strutturato sulla base della realizzazione di una piattaforma digitale centralizzata presso l’ospedale Hub e connessa con i centri territoriali e gli studi dei medici di medicina generale. Tale sistema assicurerebbe l’invio delle immagini del paziente per un primo feed back che servirebbe ad indirizzare il paziente nel centro più appropriato operando una prima classificazione in termini di priorità sulla base del sospetto diagnostico antecedente alla diagnosi che rimarrebbe in capo allo specialista.
Un progetto di utilizzo dell’Intelligenza Artificiale nel campo della oncologia dermatologica
Nel campo della oncologia dermatologica un progetto di utilizzo dell’Intelligenza Artificiale è stato presentato da un team costituito da P4C (Naccari Carlizzi, F.D’Errigo, V.Falcomatà, M.Parlagreco, A.Quattrone) e Noovle (P.Vannuzzi, G.Hassan, M.Marchese e A.Alessandra) all’Health Technology Challenge del Congresso ICEHTMC di Ingegneria Clinica che proponeva un proof of concept per la diagnosi precoce del Melanoma Maligno e la relativa presa in carico del paziente.
La premessa si fondava sulla capacità raggiunta dalle reti neurali profonde e delle tecniche di Deep Learning di ottenere una precisione più accurata rispetto ai dermatologi non specializzati nell’osservazione in epiluminescenza delle lesioni cutanee per la prevenzione precoce del Melanoma Maligno con l’analisi delle immagini dermoscopiche e le informazioni del paziente (età, sesso, fototipo, residenza, familiarità, stili di vita).
Tale accresciuta capacità della tecnologia soccorre il sistema sanitario alla luce della ormai cronica carenza di specialisti dermatologi (la disciplina è la prima scelta nel bando nazionale di accesso alle scuole di specializzazione) e la loro fuga verso il settore privato che sta sguarnendo le strutture pubbliche. La letteratura scientifica d’altra parte ha dimostrato che gli algoritmi addestrati migliorano l’accuratezza diagnostica.
Possono quindi supportare i medici di medicina generale e costituire un valido ausilio per una organizzazione più efficiente del sistema sanitario cambiando il modello di interazione tra medici, pazienti e strutture sanitarie e introducendo strumenti per la presa in carico a distanza.
L’uso di IA e dei Big Data per campagne di prevenzione “di precisione”
L’uso di Intelligenza artificiale e dei Big Data può abilitare campagne di prevenzione “di precisione” rispetto alle campagne tradizionali con la Real World Evidence dei Big Data per l’assistenza sanitaria preventiva, predittiva, personalizzata e partecipativa. Ciò è possibile tramite una piattaforma digitale per la raccolta dei dati e immagini da fonti eterogenee (BD), la loro elaborazione utilizzando algoritmi AI / DL per supportare medici non esperti e il centro Hub.
Il reclutamento del paziente non avverrebbe soltanto con i canali tradizionali ma potrebbe avvenire anche attraverso un sistema innovativo multicanale: 1. l’invio di immagini da uno smartphone dotato di un’app mobile (che stabilisce i criteri standard per l’acquisizione di immagini e raccoglie informazioni per l’anamnesi); 2. l’acquisizione di immagini con videodermatoscopia automatica (self -service) estendendo la dermatoscopia *, per la diagnosi di Melanoma, dall’Hub al territorio; 3. l’invio di immagini dallo studio del MMG o da una struttura di base.
I dati raccolti dalla piattaforma da una parte alimentano i database per addestrare gli algoritmi utilizzati per selezionare i pazienti da visitare e dall’altra possono essere utilizzati per definire il target di campagne di prevenzione caratterizzando in senso predittivo il modello sanitario. La segnalazione di una foto di un neo sospetto, convalidato dall’algoritmo, porta a prendere in carico direttamente presso l’Hub, che è la struttura idonea per determinare una diagnosi, cure tempestive ed un’assistenza completa.
Un modello di presa in carico del paziente a rischio melanoma tramite un sistema dotato di IA
L’esempio di un modello di presa in carico del paziente a rischio Melanoma tramite un sistema dotato di IA apre alla possibilità di una presa in carico multicanale, socializzata e personalizzata del paziente che si aggiunge al percorso tradizionale medico di medicina generale-struttura ospedaliera e utilizza strumenti ormai largamente diffusi quali lo smartphone (opportunamente dotato di app sanitaria), postazioni da localizzare presso le strutture sanitarie di prossimità (MMG, PO ospedalieri sprovvisti di specialisti, case della salute) e soprattutto la capacità delle tecniche di Intelligenza Artificiale.
L’Intelligenza Artificiale in questo senso consente di rispondere ad uno dei limiti del nostro servizio nazionale che è la disomogeneità e diseguaglianza dei sistemi regionali e territoriali. Come evidenziato infatti dalla pubblicazione della Quinta indagine Nazionale sullo Stato di Attuazione delle Reti Oncologiche Regionali condotta da Agenas nel 2023, persiste un marcato gap tra settentrione e meridione nei sistemi sanitari che determina un indice di fuga che si traduce in una quota rilevante di mobilità passiva dalle regioni del Sud.
Rimanendo nel caso del Melanoma, che è il terzo tumore più frequente in Italia in entrambi i sessi al di sotto dei 50 anni, i dati Airtum 2023 (Associazione italiana registro tumori) ci consegnano nel periodo 2007-2019 un aumento della morte per Melanoma pari al 9,5% cioè 1256 morti in più. Con un’incidenza nel 2023 di 12.700 nuove diagnosi e una mortalità per il 2022 di 2500 decessi.
Nel 2018 Airtum aveva operato un’analisi comparativa tra le diverse aree del Paese, registrando un differenziale grave tra i sistemi meno avanzati del Sud Italia che evidenziano uno spread negativo del 43,5%, rispetto a quelli del Nord nell’incidenza del Melanoma. Questa differenza è determinata da una maggiore capacità di prevenzione dei sistemi sanitari del Centro-Nord.
Conclusioni
L’utilizzo di algoritmi di Deep Learning e di tecniche di Computer Vision, in un sistema come quello descritto, consentirebbe di ridurre il divario in termini di diagnosi tra Nord e Sud e contribuirebbe a risolvere il problema della carenza e del costo del reclutamento e della formazione di specialisti non presenti oggi sul mercato e consente di ridurre l’incidenza della malattia, i costi del trattamento, la mortalità correlata e i costi sociali.
Conclusioni
Le tecniche di Intelligenza Artificiale possono cambiare il modello sanitario a partire dalla presa in carico del paziente. L’opportunità, a fronte ad una società che invecchia progressivamente e presenta nuovi bisogni e al paradosso di una sanità sempre di più “senza medici”, è quella di un management del sistema sanitario che faccia tesoro dell’innovazione tecnologica per mettere realmente al centro il paziente, migliorare l’accuratezza nella prevenzione e diagnosi, assicurando continuità assistenziale, abbattimento delle liste d’attesa, fino a “socializzare” e rendere efficienti i servizi di presa in carico modificando l’interazione tra Ospedale-Territorio-Paziente.
La Dermatoscopia: Metodica diffusamente utilizzata nella pratica clinica per la diagnosi precoce del melanoma. Una recente revisione sistematica della letteratura ha dimostrato che la Dermoscopia è in grado di incrementare la sensibilità diagnostica del melanoma fino al 35% rispetto alla sola osservazione clinica, solo quando l’osservatore ha un buon livello di esperienza nell’utilizzo della metodica. L’accuratezza della diagnosi dermoscopica può risultare anche peggiore rispetto alla sola diagnosi clinica, per quelli non esperti.
Bibliografia
Argenziano G, Soyer HP. Dermoscopy of pigmented skin lesions–a valuable tool for early diagnosis of melanoma. Lancet Oncol 2001; 2: 443-9 Pagnanelli G, Soyer HP, Argenziano G, Chimenti S, Falcomatà V, et al. Diagnosis of pigmented skin lesions by dermoscopy: web-based training improves diagnostic performance of non-experts. Br J Dermatol 2003; 148: 698-702
