Dimissioni protette, ridurre i re-ricoveri col machine learning: ecco come

La percentuale di pazienti che lasciano l’ospedale a seguito di una valutazione clinica di dimissibilità, ma che nel breve periodo vengono riammessi, è un indicatore fondamentale per l’adeguatezza del percorso di cura. Agire sulla tempestività della dimissione, anche mediante il supporto dell’intelligenza artificiale,  può contribuire sia a liberare posti letto in reparto che prevenire la reiterazione dei ricoveri. Ecco come.

Identificazione del processo e dei dati

Negli ultimi anni si è lavorato intensamente sull’applicazione dell’intelligenza artificiale in ambito sanitario. Tuttavia un prerequisito fondamentale per l’applicabilità dell’AI è la disponibilità di dati sufficienti e di qualità. L’intelligenza artificiale può essere paragonata a una macchina sportiva e i dati al carburante: se il carburante è scarso oppure di bassa qualità la macchina sportiva, progettata per elevate prestazioni, si fermerà o avrà prestazioni mediocri.

Punto Zero scarl, società consortile a capitale interamente pubblico, partecipata da Regione Umbria e dalle altre pubbliche amministrazioni del territorio regionale, si occupa di generare valore dai dati pubblici facilitando l’integrazione dei dati e l’interoperabilità. L’expertise interna, ovvero la conoscenza dei processi che governano i servizi sanitari e dei dataset generati, rappresenta una leva fondamentale sia per l’individuazione di eventuali criticità che per l’elaborazione di soluzioni digitali innovative.

Come risultato delle attività di valutazione degli indicatori di performance di Regione Umbria, un’importante area di miglioramento riguarda la necessità di ridurre i casi di dimissione seguiti da una reiterazione del ricovero nel breve periodo.

Abbassare il tasso di ricoveri ripetuti nel breve periodo significa lavorare in modo previsionale al fine di prevedere la probabilità che questo evento accada.

Parlando di previsioni viene naturale fare riferimento alla possibilità di applicare il machine learning, ovvero analizzare dati storici per prevedere eventi futuri. 

Dimissioni protette con il supporto del machine learning

Rispetto all’obiettivo della diminuzione del tasso di re-ricoveri, particolarmente rilevante è il percorso di dimissioni protette, ovvero le dimissioni da ospedale di casi maggiormente critici che necessitano di una specifica valutazione e di un forte coordinamento tra ospedale e servizi territoriali.

Questo percorso, attivo da tempo in tutta la regione, ha permesso di raccogliere una quantità significativa di dati storici, aspetto che rappresenta un elemento fondamentale per sviluppare modelli predittivi efficaci.

La scheda interRAI Contact Assessment

Il punto decisionale critico del percorso di dimissione protetta è l’applicazione della scheda interRAI Contact Assessment da parte dell’unità di valutazione multidimensionale distrettuale. La compilazione è successiva a quella della scheda di Brass a carico dell’equipe ospedaliera, nel caso in cui la Brass segnali il rischio di dimissione difficile.

L’obiettivo è quello di fornire, durante questo step, un’indicazione utile per supportare gli operatori nelle decisioni e nella pianificazione dei servizi dedicati alla persona a rischio di re-ricovero.

Altre informazioni utili sono i dati sulle patologie, desumibili dalle esenzioni registrate in anagrafe sanitaria, e l’archivio SDO dei ricoveri ospedalieri. Quest’ultimo risulta particolarmente rilevante in quanto consente di identificare e analizzare gli episodi di re-ricovero e i relativi intervalli temporali.

L’algoritmo di machine learning

Dalla seconda metà dell’anno 2024 si è avviata una fase di esplorazione delle banche dati identificate, al fine di verificare se le informazioni presenti fossero adeguate, sufficientemente numerose e se le variabili risultassero rilevanti per il fenomeno da prevedere.

L’esito delle attività di analisi è stato positivo e si è proceduto alla preparazione dei dati. L’elaborazione degli archivi fa sì che ad ogni scheda di Contact Assessment corrisponda un flag (variabile target) che segnali la riammissione del paziente al pronto soccorso entro 60 giorni dalla dimissione.

Le caratteristiche più significative di ogni paziente, anche aggregate o normalizzate al fine di ridurre la dimensionalità dei dati e migliorare le prestazioni predittive dell’algoritmo, compongono il dataset.

Le sfide

Una delle principali sfide, comune a molti dataset sanitari, consiste nella natura sbilanciata dei dati: la classe minoritaria (i soggetti ricoverati entro 60 giorni) è rappresentata da un numero significativamente inferiore di occorrenze rispetto alla classe maggioritaria. Anche la scelta dei 60 giorni, rispetto ad altri intervalli come 7 oppure 30, ha lo scopo di bilanciare la necessità che l’evento si riammissione sia effettivamente correlabile all’ultimo ricovero con quella di avere un numero di occorrenze della classe minoritaria tali da poter essere effettivamente correlabili a pattern ricorrenti nei dati.

Comunque è risultato necessario utilizzare modelli di ensemble per dati sbilanciati e lavorare sull’eliminazione di alcuni campioni della classe maggioritaria al fine di favorire una migliore generalizzazione del modello e consentire previsioni più accurate.

Infine l’addestramento del modello è avvenuto suddividendo i dati di training in sottoinsiemi per garantire che la distribuzione delle classi risultasse costante in ciascun sottoinsieme.

In estrema sintesi, per un paziente in fase di dimissione protetta, il modello addestrato analizza le sue caratteristiche e genera una previsione sotto forma di un flag binario, segnalando o meno la presenza di un rischio di riammissione nel breve periodo.

L’applicazione sperimentale delle dimissioni protette machine learning

Il modello è nella fase di applicazione sperimentale. Gli esiti delle previsioni sono in condivisione con Regione Umbria, con l’obiettivo di migliorare i dati in input e la progettazione dei servizi post-dimissione.

Se da un lato la valutazione tecnica del modello ha evidenziato un’adeguata capacità di previsione rapportata al contesto, la sperimentazione e il costante monitoraggio consentirà comunque di identificare la soglia ottimale di discriminazione delle due classi, tale da bilanciare i falsi positivi e i falsi negativi, anche e soprattutto in rapporto al contesto organizzativo delle aziende sanitarie.

Se infatti l’implementazione ottimale è quella che meglio massimizza i veri positivi (riammissioni predette e verificatesi) e minimizza i falsi positivi, i servizi sanitari potrebbero decidere di impostare anche diversi scenari, con conseguenze sulle risorse necessarie:

• scenario A: predire solo alcuni casi positivi (riammissioni) ma con certezza, minimizzando di conseguenza anche i falsi positivi:
• scenario B: fornire servizi a quasi la totalità delle persone che sarebbero soggette a riammissione, accettando di dare questi servizi anche a chi non verrebbe riammesso (incremento dei falsi positivi).

Infatti la valutazione del modello in produzione deve considerare non solo le performance numeriche, ma anche la natura del problema, gli obiettivi di risparmio ed efficienza, la dotazione del personale e il costo di potenziale implementazione di nuovi servizi progettati per evitare le riammissioni previste.

Benefici del modello predittivo

L’applicazione del modello non solo ottimizza e supporta il processo decisionale. Ma migliora anche l’efficienza operativa e la gestione delle risorse dei vari stakeholders del processo:

• unità di valutazione distrettuale: usufruisce di un indicatore utile al processo decisionale relativo al percorso di dimissione protetta.
• aziende sanitarie locali: le riammissioni previste vanno a costituire una specifica popolazione target oggetto di progettazione di servizi ad hoc. Inoltre le decisioni prese a monte nel percorso di dimissione protetta hanno un impatto su organizzazione e personale.
• aziende ospedaliere: diminuzione della spesa complessiva dei ricoveri per effetto del calo del tasso di riammissioni.
• sistema sanitario regionale (Ssr): monitoraggio e gestione in modalità business intelligence del dato storico delle previsioni. Miglioramento degli indicatori di performance: una parte dei pazienti individuati nell’ambito della possibile riammissione in ospedale ricadono, ad esempio, nella base di calcolo dell’indicatore nazionale NSG H12C
• assistiti dal SSR: miglioramento della soddisfazione nel percorso e della qualità della vita, con una oggettiva riduzione dello stress.

Per il momento tralasciamo la misurazione dei benefici non quantitativi come il miglioramento del benessere dei pazienti, benefici che saranno maggiormente chiari e identificabili a valle della sperimentazione. Possiamo però disegnare una proiezione in merito alle risorse economiche potenzialmente in gioco.

Proiezione delle risorse in gioco

Conoscendo il costo medio di un posto letto ospedaliero (dati Ocse) e la permanenza media di un ricovero reiterato (archivi regionali) abbiamo tracciato nel grafico che segue (Figura 1) una linea rossa, che rappresenta il costo dei re-ricoveri avvenuti statisticamente su 100 dimissioni protette. I valori assoluti degli assi sono stati omessi in quanto non rilevanti ai fini delle nostre considerazioni.

Per stimare il potenziale beneficio economico dell’iniziativa abbiamo ipotizzato che nei casi previsti dall’algoritmo venga erogato, alla dimissione e per sessanta giorni, un servizio che può avere una tariffa da t1 a t9. Questo servizio può essere un servizio di telemonitoraggio, delle visite aggiuntive di assistenza domiciliare o prestazioni di telemedicina.

Il costo totale post-dimissione per 100 dimissioni protette (asse y) è così calcolato: costo dei servizi erogati ai soggetti previsti come ricovero reiterato

+ costo dei re-ricoveri reali.

Soglie di economia

Si possono identificare delle soglie di economia, dipendenti dal numero di effettive riammissioni evitate e dalla tariffa del servizio erogato.

Per tariffe di servizio molto basse (es. t1) si ha una certa economia anche nel caso le riammissioni si presentino in numero elevato (linee arancio e verde), ovvero l’efficacia del servizio sia limitata.

Mentre per tariffe da t7 a t9 l’erogazione del servizio non comporta alcun beneficio economico. Questo avviene anche nel caso in cui i riammessi si limitassero ai positivi non rilevati, cioè a quei soggetti ai quali non è stato erogato alcun servizio in quanto non identificati correttamente dall’algoritmo, pur essendo soggetti a una reiterazione del ricovero.

Tuttavia, i decision maker potrebbero definire i servizi e le loro tariffe mettendo in secondo piano l’aspetto economico e puntando maggiormente su un indicatore qualitativo rivolto al benessere dei pazienti. In questo scenario potrebbe essere accettabile una spesa superiore all’attuale valore CR in cambio di una riduzione sensibile del tasso di riammissioni.

Conclusioni

In uno scenario sempre più complesso e caratterizzato da risorse limitate, l’intelligenza artificiale può essere un prezioso alleato per efficientare i percorsi di cura. Soprattutto la sinergia tra la tecnologia e la competenza umana è ciò che permette di tradurre gli algoritmi in strumenti realmente in grado di migliorare il sistema sanitario e di conseguenza la qualità di vita delle persone.

Infine è fondamentale che le amministrazioni pubbliche possano accedere e utilizzare i propri dati, e che questo avvenga in un contesto collaborativo, dove professionalità diverse come data scientist, esperti di dominio, decisori pubblici lavorino in modo integrato per garantire la massima valorizzazione del patrimonio informativo.