Analisi dei dati ospedalieri: oggi l'AI è un supporto imprescindibile

In che modo l’Intelligenza Artificiale migliora i processi di analisi dei dati ospedalieri e, più in generale, la loro gestione, creando benefici tangibili alle strutture e ai pazienti?

Partiamo da un presupposto: un ospedale è un enorme deposito di dati di diverso tipo e natura, che vanno dagli esami alle cartelle cliniche, dai documenti amministrativi alle diagnosi. I dati ospedalieri derivano dalla pratica clinica e dall’operatività di ogni giorno, risultando molto voluminosi e disomogenei a livello di tipologia. Ai dati strutturati presenti nei sistemi amministrativi si affiancano infatti referti e anamnesi scritte in linguaggio naturale, nonché esami radiologici di difficile interpretazione. Considerati nel loro complesso, i dati ospedalieri non sono accomunati unicamente dai volumi ma anche dall’immenso valore potenziale, che la struttura può indirizzare ad almeno due obiettivi:

• Ottimizzazione della governance ospedaliera, da cui meno costi per la struttura, più efficienza, meno sprechi e un servizio migliore. 
• Perfezionamento delle decisioni cliniche, con diagnosi migliori, percorsi di cura personalizzati e un patient journey decisamente più accogliente. 

Analisi dei dati ospedalieri: il ruolo di AI e Machine Learning 

Perché, dunque, AI nell’analisi dei dati ospedalieri? Per diversi motivi, ma soprattutto perché l’impiego dell’Intelligenza Artificiale e del Machine Learning permette all’azienda di automatizzare l’interpretazione di enormi volumi di dati strutturati e non che, nel contesto ospedaliero, vengono generati con volumi e rapidità tali da renderne impossibile l’interpretazione in tempo reale da parte di personale esperto. In ogni caso, si tratterebbe di una valutazione ex-post su ridotti set di dati omogenei, ma ciò che davvero interessa è l’interpretazione di milioni di esami diagnostici differenti, di referti scritti in linguaggio naturale e di mix di dati di varie tipologie.

A una sfida di questa portata, solo l’aumento esponenziale della potenza di calcolo e i progressi della data science permettono di dare una risposta efficace indirizzandola, come detto, verso diagnosi migliori, cure personalizzate, appropriatezza prescrittiva e strutture più agili ed efficienti. Sotto questo profilo, gli strumenti di Intelligenza Artificiale sono in grado di interpretare enormi volumi di dati e di dare risposte semplici e facilmente interpretabili sui punti di forza ed eventuali debolezze della struttura, così da semplificare i percorsi decisionali e, soprattutto, investire in modo corretto le risorse disponibili. 

Campi di applicazione, alcuni esempi: imaging radiologico e referti in linguaggio naturale 

Alcuni ambiti in cui l’Intelligenza Artificiale fornisce valore concreto nel macrocosmo dei dati clinici sono l’analisi dell’imaging radiologico e dei referti redatti in linguaggio naturale.

Nel caso dell’imaging radiologico, l’obiettivo è far sì che AI e le capacità di auto-apprendimento del Machine Learning supportino il radiologo (ma non lo sostituiscano) nell’interpretazione dei casi di routine, offrendo una valutazione quantitativa in aggiunta a quella tradizionale (qualitativa) del medico. I benefici sono evidenti per tutte le parti coinvolte:

• per il radiologo, che può contare su un assistente affidabile e in grado di affiancarlo nei casi più semplici o di fungere da second opinion per quelli più complessi, su cui concentrare la propria attenzione; 
• per il paziente, che può contare su diagnosi più accurate ed evita di essere sottoposto ad esami più invasivi se non c’è stretta necessità;  
• per la struttura, che migliora l’appropriatezza prescrittiva, riduce le liste d’attesa e può dedicarsi meglio ai propri pazienti, ottimizzando i costi e potendo gestire meglio i periodi di particolare pressione.

Nel caso dell’interpretazione dei documenti redatti in linguaggio naturale: referti, cartelle cliniche, anamnesi, prescrizioni terapeutiche e molto altro. Applicando l’Intelligenza Artificiale ai dati non strutturati (nella fattispecie, Natural Language Processing) è possibile estrarre automaticamente conoscenza utile senza impiegare personale dedicato o riducendone comunque l’apporto. Per esempio, con un appropriato percorso di tagging e scoring delle informazioni, NLP può evidenziare le patologie più comuni per cui il paziente si rivolge alla struttura, così da poter potenziare le rispettive aree con investimenti ad hoc o bilanciando al meglio le risorse disponibili, ovvero operando scelte puntuali di tipo organizzativo. In questo contesto si inquadra perfettamente il fine ultimo della governance data-driven, ovvero la capacità di gestire la struttura sulla base di percorsi decisionali che traggono beneficio dalla puntuale analisi dei dati ospedalieri: efficienza, redditività, capacità di soddisfare il paziente, ridurre code e tempi di attesa diventano obiettivi a portata di mano.