Monitor 47

Monitor 47 (21)

 L’intelligenza artificiale (IA) è un’opportunità sia per facilitare l’accesso alle prestazioni sanitarie da parte dei cittadini perseguendo criteri di equità, sia per sostenere e rendere più facile l’esecuzione di attività e interventi sanitari da parte dei professionisti del Servizio sanitario. Ciò premesso, l’autrice propone una rilettura delle funzionalità dei sistemi di IA nelle cure primarie sulla base di quattro dimensioni: funzioni/servizi resi da sistemi IA, funzionalità messe a disposizione del paziente, funzionalità potenziali nelle cure primarie in particolare nell’attività del medico di medicina generale e impatto potenziale sul Sistema sanitario. Tra le opportunità più interessanti si segnala anche quella di favorire una maggiore appropriatezza prescrittiva e, di conseguenza, un uso più oculato delle risorse anche in termini di generazione di più “tempo per la cura” che i professionisti potrebbero mettere a disposizione della relazione terapeutica col paziente.

 Il mondo della sanità sta attraversando una fase di repentina trasformazione guidata dai paradigmi della telemedicina e della digital health, che lascia prefigurare scenari futuri popolati da sistemi di intelligenza artificiale sempre più autonomi e sempre più efficaci nel supporto alle decisioni. Dopo un’ampia introduzione, il contributo si sofferma sulle tante sfide che si dovranno affrontare per rendere concreta tale visione: saper coniugare tecniche di machine learning con sistemi di rappresentazione della conoscenza, per rendere spiegabili le decisioni dell’IA; sviluppare soluzioni tecniche per garantire adeguati livelli di affidabilità, riservatezza e privacy; ma soprattutto saper dare una forte spinta all’innovazione tenendo al centro le persone, le loro esigenze e le competenze acquisite sul campo.  

I dati 2021 sul machine learning (ML) in Italia e sulla sua applicazione in ambito sanitario sono molto confortanti. Partendo dai dati di letteratura internazionale, il contributo si sofferma in particolare sulla cardiologia come campo di applicazione del ML particolarmente interessante: dalla stratificazione del rischio avviata con lo studio PROCAM, alla ricerca e sviluppo, alla pratica clinica, alla prevenzione di popolazione, ma finanche ai diversi modelli predittivi per lo sviluppo di aritmie o scompenso cardiaco, ecc. Pur sottolineando alcuni ritardi e mancanze, gli autori concordano sulla solidità e vivacità delle esperienze italiane nel campo della cardiologia digitale che lasciano ben sperare in uno sviluppo fruttuoso del ML nel nostro Paese. 

Alla base dell’espandersi e del consolidarsi dell’impiego di intelligenza artificiale (IA) nei Centri oncologici italiani di eccellenza vi è la grande mole di dati, necessari al machine learning (ML) e al deep learning, messa a disposizione dai tanti studi multicentrici internazionali, e anche dalle revisioni sistematiche e metanalisi relative all’ultima decade. Diverse tecniche di IA si sono dimostrate molto vantaggiose in oncologia sia in campo diagnostico che terapeutico, così come il ML ha trovato e trova nella stratificazione in funzione del rischio, per il decision making prognostico e terapeutico, un ambito di applicazione particolarmente fertile. Gli autori concludono che oncologia territoriale e oncologia ospedaliera potranno beneficiare ampiamente del ML in termini di diagnosi, prognosi, trattamento e percorsi di assistenza al malato, a patto però che si investa nello sviluppo tecnologico in modo che si tenga il passo con il progresso della ricerca clinica.

Il machine learning (ML), attraverso sistemi di processi decisionali basati sui dati, contribuisce largamente al miglioramento dell’appropriatezza degli interventi, supportando il personale sanitario nelle decisioni relative a cura, assistenza, profilassi, ricoveri, ecc. Nel contributo viene portato come esempio, in questo senso, un’importante esperienza in Regione Marche, dove 15 cliniche diabetologiche e un centro di diabetologia pediatrica hanno adottato un software specifico che mette a servizio i suoi dati per analisi relative alla comparsa di complicanze a 5 anni, con una buona precisione. Si tratta di ecosistemi digitali capaci di apprendimento che permettono di identificare fattori di rischio, potenziare le capacità prognostiche, in direzione di una medicina di precisione e personalizzata. Gli autori concludono che il ML, come altri strumenti innovativi di sanità digitale, risulta essere un prezioso strumento che richiede però il potenziamento del ruolo del caregiver nella gestione della cura.

La medicina che si occupa della gestione e della cura del paziente chirurgico si sta allineando alla medicina tutta in termini di ottimi risultati ottenuti e ottenibili grazie all’applicazione delle nuove tecnologie. Il percorso perioperatorio di un pazienze – dalla fase di valutazione preoperatoria a quella intraoperatoria fino all’ultima fase, postoperatoria – è particolarmente complesso e non sempre standardizzabile, tanto da rendere l’ottimizzazione dei flussi perioperatori una priorità per lo stesso Ssn. Da ciò, l’importanza di sfruttare le capacità, predittive in primis, dell’intelligenza artificiale (IA). Gli autori si soffermano in particolare sul progetto sperimentale pilota della SIAARTI sull’utilizzo di un Electronic health record (Ehr) condiviso, con una sezione dedicata proprio al percorso perioperatorio, e che rappresenterebbe un contenitore di informazioni specificamente dedicato al paziente chirurgico, a beneficio dell’aspetto sia organizzativo che clinico. In conclusione, grazie all’impiego di strumenti e modelli di IA si potrebbe ottenere proprio l’ottimizzazione dei flussi dei pazienti tra le diverse aree di intensità di cure.

Pubblicato in Gazzetta Ufficiale come Decreto del Ministero della salute il 29 aprile 2022 (GU Serie Generale n.120 del 24-05-2022). Il provvedimento si configura come una “Milestone” della Missione 6, Componente 1 del Piano nazionale di ripresa e resilienza (M6C1 - Pnrr).

Pagina 2 di 2
Torna su