L’IA facilita la continuità di cura tra Ospedale e Territorio e afferma la pratica delle cure domiciliari
Ogni snodo decisionale deve poter essere preso con il massimo supporto dei big data “long-live” nella loro trasparenza, permettendo così una giusta presa in carico da parte del personale sanitario
Gli strumenti di intelligenza artificiale (Artificial Intelligence=AI) sono sempre più entrati nelle nostre vite e la Cardiologia ne ha accresciuto la sensibilità seminando un terreno perfetto per lo sviluppo di applicativi addirittura in grado, in molti casi, di migliorare la qualità di cura. Il modello clinico di AI tende a rafforzare i principi di cura primaria e secondaria realizzando concretamente l’integrazione Ospedale-Territorio fin verso le Case di Comunità e i “Point-of-Care” con l’introduzione delle cure domiciliari. Alcuni dei fattori fondamentali per il successo concreto dell’AI sono:
- i dati del paziente che non solo vanno raccolti, ma creati in luoghi e realtà differenti per finalità e consistenza specifica (empowerment ed engagement del paziente);
- il percorso del paziente per essere funzionante deve essere reattivo e consistente nel passare da una struttura a un’altra, secondo una modalità causale e legata a eventi e fattori discriminanti;
- le diverse figure che insistono nella cura devono sempre poter essere contemporaneamente e facilmente aggiornate sul quadro clinico del paziente e nello stesso modo aggiornarlo a loro volta;
- ogni snodo decisionale deve poter essere preso con il massimo supporto dei dati, delle informazioni, nella loro totalità e chiarezza, permettendo una giusta presa in carico da parte del personale rispetto alla scelta;
- il rispetto dei principi etici emanati da OMS nel giugno u.s. ovvero di un AI affidabile che conservi l’autonomia umana del medico e del paziente senza manipolazione alcuna;
- la prevenzione dei danni;
- l’equità nella distribuzione giusta di costi e benefici oltre che la fruibilità senza barriere e l’esplicabilità quale trasparenza dei processi clinici.
In relazione all’esplicabilità, i nuovi modelli di AI per applicazioni in sanità vengono realizzati con un addestramento e un funzionamento “supervisionati” dal clinico, superando di fatto il concetto di “black box”. Questo garantisce “trasparenza” al comportamento del sistema stesso. Una delle barriere che permette scarsamente l’utilizzo di AI risiede principalmente in due sezioni: 1) lato Ospedale, dove si tende alla sola consultazione di “data warehouse (DW)” verticali che, come noto, non si interfacciano con altri contenitori di dati internamente allo stesso dipartimento. Per esempio una richiesta di consultazione al DW di emodinamica non interseca i dati della degenza o dell’imaging (PACS/RIS); 2) lato paziente, dove è ancora molto debole il suo coinvolgimento nella filiera del dato trasmissibile. Due sono anche i livelli che devono essere messi al centro della progettazione: metodologie e tecnologie che siano in grado di creare, gestire e rendere disponibili i dati in modo consistente e fruibile a tutti i livelli non solo come infrastrutture; strumenti che siano aggregazioni e indichino in modo prognostico l’andamento del paziente unendo lo storico al trend futuro e proponendolo in modo facilmente fruibile. Il Datalake (DTL) è l’infrastruttura necessaria e più innovativa (Figura 1)1, perché consente la fusione dei dati tra le cartelle cliniche di differenti reparti, laboratori chimico-clinici, di genomica e servizi di diagnostica, anche di Ospedali differenti e può venire popolato, quindi, da dati provenienti da infiniti DW.
Il DTL contiene dati statistici e storici e rappresenta l’ambiente per l’elaborazione di AI permettendo l’“arricchimento” della cartella clinica (estrazione dati dai referti, calcolo indicatori di stabilità o di altri indicatori sintetici di performance clinica verso modelli predittivi). Questa infrastruttura è fondamentale che venga progettata secondo tutti i criteri ormai individuati e definiti relativamente alla “cybersecurity”. Gli strumenti che operano e le relazioni sono codificati e progettati sempre in quest’ottica, permettendo anche, in taluni casi, una verifica dello status quo del sistema informatico sanitario più generale. È nel DTL che avviene l’addestramento Machine Learning e si creano gli applicativi di AI poi rilasciabili al front-end medico-paziente mediante sistemi di supporto alle decisioni. Grazie a queste forme di AI è possibile organizzare il Network di Eccellenza Clinica (Figura 2): un sistema di AI impara ad interpretare differenti azioni cliniche che derivano da una nuova condizione del paziente con l’obiettivo di perfezionare sempre più l’applicativo e rilasciare al medico automaticamente suggerimenti sui rischi nel contesto clinico in esame, sulle forme di testing e sull’outcome promuovendo ricerca, pratica clinica e strategie di prevenzione.
L’AI è una tecnologia realmente “game changer” perché aggrega dati di diversa natura e tipologia, strutturati e non strutturati, per restituire ad esempio un unico indicatore clinico sintetico e prognostico (da qui la denominazione “AI by long-live big data”). L’applicativo di AI consente: la stratificazione del paziente e valutazioni per priorità sempre “data driven”; un approccio “one-to-many by one health” cioè il clinico può gestire più pazienti contemporaneamente focalizzando la propria attenzione su quelli più critici / instabili avendo così una prima lettura della situazione clinica e approfondendo i singoli parametri in un secondo tempo “augmented decision”; il costante aggiornamento ogni volta che nuovi dati/informazioni sul paziente vengono inseriti rimanendo di facile e veloce lettura; il supporto nei diversi snodi decisionali all’interno del percorso specifico o più ampio. Questo introduce il Continuous Learning e, quindi, la capacità di crescita e dinamicità intrinseca nella tecnologia di AI. Esso comporta un forte valore di equità nel trattamento, visto che l’addestramento non viene fatto con dati selezionati o fortemente legati a delle condizioni cliniche, sociali o geografiche, ma può essere fatto ampliando la base dati stessa. Verrà permesso così di pesare variabili che, per esempio, negli score nati da studi su un campione selezionato, non si avrebbero altrimenti. È una tecnologia che per definizione è lo specchio della “real world experience”.
Il supporto del clinico fornito da AI non deve essere visto come sostituzione o instradamento passivo, ma come un vero suggerimento al medico. I dati e le practice con cui si fanno diagnosi o cura rimangono i medesimi, ma parallelamente vengono aggregati ad esempio in un indicatore che aiuta a vedere il decorso e la prognosi e supporta il medico nel valutare talune scelte con tempistica correlata all’instabilità del paziente. In questo senso tali strumenti di AI possono supportare il medico negli snodi decisionali aumentando la sua confidenza nel prendere la decisione finale. Questo, inoltre, permette un confronto tra diverse figure cliniche partendo da un dato numerico frutto dei dati condivisi da tutti, una sintesi del lavoro fatto lungo tutto il percorso di cura. Un sistema così pensato che adoperi una tecnologia di questo tipo è molto vicino all’ottimizzare il trattamento al paziente, quel concetto di medicina personalizzata nella sua accezione più umana: dare il trattamento giusto perché il paziente ne ottenga il massimo giovamento. Un indicatore sintetico di Intelligenza artificiale non può prescindere da aspetti di QoL o survey adeguate, questo perché è il paziente e la sua vita il centro di tutto e non il gesto fine a se stesso. Ultimamente si parla sempre più spesso di “Value Based Healthcare”2 con significato economico – sanitario e l’AI ne permette la sua traduzione direttamente sull’impatto della cura del paziente. Ora è intuitivo come la creazione di un network tra presidi cardiologici di territorio di più piccola dimensione e Cardiologie di riferimento possa condurre alla condivisione di dati seppure anonimizzati sul DTL, fungere da riferimento di processo laddove c’è meno expertise specialistico e condurre alla Cardiologia di precisione. Un cenno rilevante va dato agli applicativi di Comprensione del Linguaggio Naturale (NLU)3 propri dell’AI che permettono la creazione di nuovi standard nella gestione e condivisione del dato. Il linguaggio naturale permette di focalizzarsi al massimo sul lavoro clinico e sul paziente. Un sistema evoluto di AI permette non solo la trascrizione di una refertazione o del dialogo durante una visita, ma l’estrazione di dati strutturati e classificati “clinical entity recognition”. Questo non significa solo facilità operativa (parlo e non scrivo o cerco sul computer), ma la possibilità di fare domande nella propria modalità e terminologia, avendo il supporto dell’AI per la ricerca del senso della domanda e quindi ricevendo la risposta corretta. La proprietà intellettuale di applicativi di AI che propongono strumenti clinici sopra spiegati, ad oggi, è fortemente legata alle procedure e protocolli con cui gli stessi applicativi vengono creati. L’industria, strutture accademiche, Ospedali e figure cliniche possono avere ruoli e coinvolgimenti differenti. Questo intero modello di AI nel comparto dell’Internet Of Medical Things (IOMT) rappresenta la più virtuosa forma di appropriatezza clinica, con al centro il paziente e il suo mondo di dati e informazioni, tutte equamente e facilmente accessibili. Quindi ogni Cardiologo può contemporaneamente pensare alla sua azione specifica avendo una visione di insieme e restituendola aggiornata, all’interno di un ecosistema che valorizza il risultato positivo finale. Come tutti gli strumenti in ambito medicale anche l’AI ha un percorso di validazione. La prima introduzione e uso è sicuramente come strumento, all’interno ad esempio di sistemi di telemedicina o telemonitoraggio, per la gestione delle attività stesse, chiaramente con dati e test a dimostrazione e tutte le certificazioni legate alla sicurezza del dato e alla privacy.
In aggiunta e infine, numerosi sono gli sviluppi di applicazioni verticali, più terapeutiche, in cui l’utilizzo dell’AI ha un immediato vantaggio clinico intervenendo, in diverse maniere, sul percorso terapeutico. In questo caso, come per tutti i dispositivi medici, l’evidenza deve venire da corretti e normati trial che ne definiscano il significato clinico. È questo il settore di “Digital Therapeutics”4, dove l’algoritmo diventa il principio attivo del trattamento, e non è solo una feature di monitoraggio o di valutazione, ma sviluppa un impatto favorevole sulla terapia stessa.
Bibliografia:
- https://aws.amazon.com/it/big-data/datalakes-and-analytics/what-is-a-data-lake/
- Value-Based Healthcare: Fad or Fabulous? Duckett S.Healthc Pap. 2019 Oct;18(3):15-21. doi: 10.12927/hcpap.2019.25930.PMID: 31642803.
- Understanding the spatial dimension of natural language by measuring the spatial semantic similarity of words through a scalable geospatial context window.
Wang B, Fei T, Kang Y, Li M, Du Q, Han M, Dong N.; PLoS One. 2020 Jul 23;15(7):e0236347. doi: 10.1371/journal.pone.0236347. eCollection 2020.PMID: 32702022. - Digital Therapeutics: An Integral Component of Digital Innovation in Drug Development.
Sverdlov O, van Dam J, Hannesdottir K, Thornton-Wells T.; Clin Pharmacol Ther. 2018 Jul;104(1):72-80. doi: 10.1002/cpt.1036. Epub 2018 Feb 23.
Autore
Marco Mazzanti