Eventi 2018
Mercati Verticali - Applicazioni
 

21/06/2018

Share    

di Raffaela Citterio

Prevedere i periodi di degenza

L’Azienda Sanitaria Unica Regionale delle Marche (ASUR) in collaborazione con l’Istituto per la Metodologia Scientifica (Isem) di Bagheria, ha progettato e realizzato due modelli che consentono di fornire alla direzione utili indicazioni.

Medici - © Fotolia.com - Kurhan

Una previsione accurata del periodo di degenza dei pazienti ricoverati (in inglese Lenght of Stay, LoS), è considerata un fattore di importanza strategica per l’ottimizzazione delle risorse del sistema sanitario e per una corretta programmazione delle attività di ricovero e delle dimissioni protette. Questo tipo di informazioni può essere utilizzato per contenere i costi ed eliminare gli sprechi di risorse con la riduzione dei soggiorni ospedalieri e dei tassi di riammissione. Nella regione Marche la manovra centrale del contenimento dei costi sanitari ha portato a una riorganizzazione complessiva dei processi del sistema sanitario regionale e a una significativa riduzione del numero di ospedali e letti ospedalieri, attestati al 3,7% della popolazione residente. Tenuto conto che in questa regione l’indice di vecchiaia (il rapporto tra il numero degli over 65 e quello dei giovani fino a 14 anni) è particolarmente elevato, le informazioni relative all’appropriatezza dei ricoveri e alle principali cause che portano alla riammissione ospedaliera e al prolungamento del periodo di degenza sono estremamente utili per razionalizzare e ottimizzare il flusso dei pazienti all’interno delle strutture sanitarie. A livello internazionale vi sono numerose iniziative che promuovono lo studio e la realizzazione di algoritmi in grado di effettuare previsioni sul periodo di degenza ospedaliero, basandosi sui dati anagrafici dell’assistito e su quelli della diagnosi in ingresso, e anche l’area Sistemi Informativi Aziendali dell’Azienda Sanitaria Unica Regionale delle Marche, in collaborazione con l’Università Politecnica delle Marche e l’Institute for Scientific Methodology di Bagheria (Palermo), ha deciso di investire in questa direzione.

Scegliere l’approccio migliore
L’obiettivo del progetto, avviato nel 2013, è quello di realizzare un modello di Intelligent Data Analyser (I.D.A.) in grado di essere utilizzato all’interno di Decision Support System. Nell’ambito di un generico problema di previsione una soluzione di questo tipo deve essere in grado di processare autonomamente i dati di ingresso, codificandoli in maniera opportuna e individuando senza l’aiuto di un esperto umano le variabili da prendere in considerazione per poter fornire una risposta accurata. Inoltre deve essere in grado non solo di effettuare previsioni con un elevato livello di accuratezza, ma anche di motivarle adottando un linguaggio comprensibile dall’uomo. La stessa base di conoscenza che viene generata automaticamente processando nel tempo nuovi casi, può essere utilizzata per definire linee guida adattabili da chi deve prendere decisioni di tipo gestionale. Al momento sono stati implementati due modelli previsionali, denominati I.D.A.01 e I.D.A.02.

Il primo si fonda su una rappresentazione della conoscenza di tipo subsimbolico, che però può essere processata per ricavare conoscenza simbolica potenzialmente utile per i decisori umani. Ad esempio è stato possibile ricavare dalla rete neurale auto organizzante addestrata le principali cause che portano al superamento della soglia di degenza ospedaliera regionale. Il punto di forza di I.D.A.01 è che riesce ad effettuare le previsioni più accurate individuando autonomamente le dimensioni da prendere in considerazione per fornire la risposta. Il punto debole è che non si basa su un modello di rappresentazione della conoscenza di tipo logico, ovvero non è ancora in grado di fornire motivazioni articolate sulle sue previsioni.

Il modello I.D.A.02 è invece un’implementazione della macchina non organizzata di Turing e si basa su una rappresentazione della conoscenza di tipo logico (una rete auto organizzante di porte NAND, dove - ricordiamolo - una porta logica NAND è costituita da ingressi e un’uscita che restituisce ‘falso’ solo quando tutti gli ingressi sono nello stato logico ‘vero’). I.D.A.02 riesce a motivare le sue risposte adottando un formalismo comprensibile dall’uomo, ma difficilmente sarà in grado di raggiungere le capacità previsionali del primo algoritmo di tipo subsimbolico.

Entrambi sono sistemi di tipo non supervisionato che si basano sia su modelli di rappresentazione subsimbolica della conoscenza (reti neurali auto-organizzanti) che su modelli simbolici di tipo logico (macchina non organizzata di Turing). I risultati ottenuti, presentati a importanti conferenze di informatica e cibernetica a livello nazionale e internazionale, sono incoraggianti. Il progetto è ancora in fase sperimentale, e attualmente si sta ancora lavorando per migliorare ulteriormente le performance dei due sistemi sia sul lato della capacità previsionale che su quello della capacità di motivare la previsione e di rappresentare la conoscenza acquisita.

Un’accoglienza positiva
Il progetto è stato accolto molto favorevolmente dalla direzione generale ASUR, che sta cercando di perfezionare la sua piattaforma di Business Intelligence organizzativa per ottenere suggerimenti gestionali utili in tempo reale. Il modello in questione può rappresentare uno strumento per facilitare la programmazione annuale delle attività ospedaliera e definizione dei budget da assegnare. L’adozione di una tecnologia di questo tipo, basata su modelli di intelligenza artificiale, dovrebbe essere accolta favorevolmente anche dal personale medico e infermieristico e da tutti coloro che debbono assistere persone fragili. In particolare le direzioni mediche di presidio avrebbero un sistema di analisi in grado di aiutare nella distribuzione dei posti letto, tra le varie discipline specialistiche, in base al numero e alle durate previste dei ricoveri stessi. Questo perché la conoscenza della presunta data di dimissione dalle strutture di ricovero ospedaliere o residenziali può servire per organizzare e pianificare al meglio le attività afferenti alla fase di dimissione dalla struttura di ricovero. Le dimissioni protette molto spesso non vengono garantite per scarsa conoscenza del momento di inizio, causando o la perdita del posto letto di residenzialità messo a disposizione, o il mantenimento di un posto vuoto e quindi inefficienza del servizio stesso. Non solo. I due modelli da un lato possono essere esportati anche in altre strutture sanitarie, dall’altro possono trovare applicazione anche in altre attività di tipo previsionale. I.D.A.01 e I.D.A.02, infatti, se opportunamente addestrate, sono macchine di tipo general purpose che si adattano a qualsiasi ambito applicativo.

I protagonisti 
Promotori e artefici del progetto sono Luigi Lella, Ignazio Licata e Antonio Di Giorgio. Luigi Lella lavora presso l’Azienda Sanitaria Unica Regionale (ASUR) delle Marche e presso l’Agenzia Regionale Sanitaria (ARS) delle Marche occupandosi di progetti di data mining, business intelligence e informatica sanitaria. Ignazio Licata è caporedattore di Electronic Journal of Theoretical Physics (EJTP) e direttore scientifico dell’Istituto Interdisciplinare di Metodologia Scientifica (ISEM), con sede a Bagheria (Palermo). Ha lavorato sulla teoria dei campi quantistici, sull’interpretazione della meccanica quantistica e recentemente sulla cosmologia quantistica. Antonio Di Giorgio ha collaborato con Asur alla realizzazione del progetto. Attualmente lavora presso la società Bookmark di Forlì.

 

TORNA INDIETRO >>