L’Intelligenza Artificiale con adeguati metodi e tool può migliorare gestione e pianificazione delle risorse critiche in ospedale, come i posti letto in terapia intensiva.
L’assegnazione di slot temporali per erogare prestazioni complesse ai pazienti è infatti un problema particolarmente rilevante per l’efficacia della nostra sanità, specialmente in presenza di risorse scarse.
Un esempio di risorsa critica sono appunto i posti letto, sia in reparti di degenza, sia in terapia intensiva (ICU, Intensive Care Unit): costosi da realizzare e gestire, estremamente limitati, fortemente impattati dall’evoluzione della pandemia. Infatti, il loro utilizzo per pazienti Covid ha serie ricadute su tutti i pazienti non-Covid che richiederebbero da prassi un’elevata intensità di cura subito dopo l’intervento.
La sanità digitale nel 2022: i pilastri di un’evoluzione “paziente-centrica”
Dalla collaborazione tra Università di Genova e la start-up innovativa SurgiQ[1] è stata sviluppata una soluzione di Intelligenza Artificiale che assegna giorno, slot temporale e sala operatoria ai pazienti in considerazione di vari vincoli: il tipo di intervento da svolgere, la disponibilità delle sale, l’urgenza dei casi, e diverse priorità tra pazienti. Inoltre, tiene conto delle richieste di letti in terapia intensiva oltre che della normale disponibilità di reparto.
Tra i vincoli, è possibile tenere in considerazione altri importanti elementi come le equipe chirurgiche, che includono chirurghi, anestesisti e infermieri, e altre unità operative come le PACU, per i pazienti che hanno bisogno solo di un letto di post-anestesia per un tempo molto limitato, e le NICU, la terapia intensiva neonatale. Di seguito, metodologie e risultati.
Come funziona l’IA per la gestione delle risorse ospedaliere
La soluzione di Intelligenza Artificiale in ospedale si basa principalmente su rappresentazione della conoscenza e ragionamento automatico per la pianificazione, la schedulazione e l’ottimizzazione delle risorse: linguaggi di Intelligenza Artificiale vengono usati per rappresentare in un modo preciso le specifiche del dominio reale che si vuole affrontare, ovvero i requisiti, i vincoli e le preferenze.
Tali specifiche, insieme ai parametri di un problema che possono essere anche calcolati da dati storici attraverso deep e machine learning, vengono analizzati da un solver, un software in grado di calcolare un piano o una schedulazione che rispetti le specifiche e le eventuali preferenze.
Per la fruibilità della soluzione è stata anche creata una web app, che lato front end permette di inserire i parametri di un problema specifico, mentre lato back end rende trasparente la chiamata al solver con input specifici e parametri.
Alcune istanze, che includono modifiche e specificazioni, sono state testate su set di dati provenienti da ASL1 Liguria, ottenuti nell’ambito del progetto finanziato da Regione Liguria RIPE, coordinato da GPI[2], e in seguito su un dataset preparato da Dedalus[3] Italia.
I dati forniti da ASL1 Liguria comprendono oltre diecimila interventi effettuati nel corso del 2019, nonché i dati sui posti letto deliberati, sale operatorie attive e lista operatoria della settimana dal 4 al 10 marzo 2019.
I dati sugli interventi sono stati utilizzati per addestrare un modello di deep learning capace di stimarne la loro durata, gli altri formano la base dati necessaria per applicare il modello di pianificazione.
I dati forniti da Dedalus riguardano invece il solo modello di pianificazione e comprendono la configurazione delle sale operatorie e la lista di pazienti da operare relativi ad un mese tipo.
Tra le estensioni, sono stati sviluppati dei dimostratori che includono la trattazione anche dell’unità PACU e delle equipe chirurgiche. Soluzioni inerenti l’unità NICU e le equipe di sala operatoria sono in fase di sviluppo e utilizzano conoscenza pregressa.
L’attività ha portato anche a un dimostratore che consente di simulare in tempo reale l’impatto sulle liste operatorie che può avere la conversione di un certo numero di sale operatorie in terapie intensive da dedicare a pazienti Covid.
Intelligenza Artificiale in ospedale: sviluppi futuri
Uno dei principali sviluppi futuri è l’unificazione in un’unica soluzione di tutti gli sviluppi relativi alla pianificazione delle sale operatorie. Infatti, le varie estensioni, come per esempio la pianificazione dei letti PACU e degli orari di attività delle equipe chirurgiche, sono state pensate in modo da essere compatibili fra di loro. La difficoltà più grande nel presentare una soluzione unica consiste nella ottimizzazione delle performance necessaria per mantenere tempi di risoluzione ragionevoli nell’ottica di un’applicazione pratica del sistema.
Un altro fondamentale tassello da implementare riguarda il problema dell’explainability. Infatti, molti algoritmi di Intelligenza Artificiale, soprattutto se basati su tecnologia machine/deep learning, risultano poco trasparenti nei loro processi decisionali. Ciò è in contrasto con le proposte di regolamentazione avanzate da vari organismi, in particolare dall’Unione Europea.
La principale tecnologia adottata per la schedulazione, basata su rappresentazione della conoscenza e ragionamento automatico, è particolarmente adatta a questo riguardo, in quanto è sempre possibile per un esperto risalire alla particolare regola o input che ha determinato un dato output. Attualmente l’impegno consiste nel rendere questo processo automatico e, soprattutto, fruibile anche dagli utenti finali, a prescindere dal loro grado di conoscenza della tecnologia.
___________________________________________________________________________________
