Il ruolo cardine dei Decision Support System deriva dal fatto che gli operatori sanitari sono tenuti a prendere quotidianamente diverse decisioni critiche circa il percorso diagnostico, di cura e follow up da cui dipendono gli esiti di salute per i pazienti e il corretto impiego delle risorse sanitarie.
I Decision Support System nascono con lo scopo di supportare i medici nella pratica quotidiana fornendo loro una base attendibile di conoscenza su cui indirizzare le proprie decisioni. I CDSS (Clinical Decision Support System), però, non si limitano a presentare informazioni di contesto, ma possono anche suggerire azioni e prescrizioni, avviare workflow, emettere avvisi e allarmi per richiamare l’attenzione su determinati fattori ritenuti determinanti ai fini della decisione stessa.
I DSS esistono da decenni e nel corso del tempo hanno progressivamente affinato la loro capacità di elaborazione delle informazioni. La stragrande maggioranza dei sistemi si basa su regole, anche molto articolate e complesse, ma esiste un’intera categoria di DSS fondata su tecniche di AI (machine learning) in grado di rilevare modelli efficaci in forma non supervisionata. A patto, ovviamente, di poter disporre di grandi volumi di dati di ottima qualità.
I Decision Support System sono impiegati soprattutto come sistemi di supporto alle diagnosi e alla scelta del trattamento più appropriato. Un filone molto interessante e innovativo riguarda l’impiego dei DSS in radiologia, laddove le tecniche di computer vision possono indirizzare il radiologo verso la diagnosi corretta in casi dubbi o sollevarlo da attività di routine permettendogli di concentrare la propria esperienza sui casi più complessi. Per quanto riguarda la scelta del trattamento, i DSS analizzano il quadro clinico del paziente e suggeriscono solitamente una terapia basata sui protocolli esistenti.
Affinché un sistema di supporto alle decisioni sia accurato ed efficace, deve poter valorizzare ampi volumi di dati. È infatti palese che le migliori decisioni provengano da una corretta miscela di professionalità del medico e informazioni di contesto complete e attendibili. Tuttavia, nell’ecosistema sanitario ciò determina numerose sfide.
I dati sanitari sono dispersi in molti sistemi e documenti di diversa natura, anche cartacei. Inoltre, in sanità coesistono dati strutturati, non strutturati e semi-strutturati, ed è quindi necessario adottare soluzioni tecnologiche molto avanzate per estrarre conoscenza (knowledge extraction) da un ecosistema eterogeneo di sorgenti e convogliarle in un’unica piattaforma di dati che funga da pilastro per il supporto dei processi decisionali.
A tal proposito, si è già detto dei sistemi in grado di estrarre conoscenza dall’imaging radiologico, cosa che peraltro è alla base di trend innovativi come la radiomica e la radiogenomica, ma vengono in soccorso anche piattaforme che, attraverso l’adozione di tecniche di Natural Language Processing, possono estrarre conoscenza (link: https://blog-artexe.mapsgroup.it/clinika-motore-semantico-analisi-algoritmica-delle-prescrizioni-per-prendere-decisioni-corrette) dal mare magnum dei documenti di testo non strutturati presenti in sanità, come referti, anamnesi e lettere di dimissioni.
Migliorare gli esiti di salute è senza dubbio l’obiettivo e il beneficio principale dei Decision Support System. Di fatto, tali sistemi creano una sinergia costruttiva tra i medici, la cui esperienza e competenza restano i fattori più importanti, e le piattaforme tecnologiche, che forniscono un’analisi di contesto determinante ai fini dell’iter diagnostico e di cura. Si verifica dunque un incremento dell’efficacia dei servizi sanitari, con benefici quantificabili in termini – ad esempio - di riduzione dei tempi di degenza media. A tutto ciò si può collegare l’altro grande beneficio, avvertibile soprattutto in ambito pubblico, ovvero l’ottimizzazione dell’impiego delle risorse e quindi una riduzione dei costi, fattore connesso all’aumento dell’appropriatezza prescrittiva. Infine, ma non per importanza, i DSS sono un’arma particolarmente affilata per contrastare il fenomeno della medicina difensiva, il cui costo è stimato attorno ai 10 miliardi di euro, pari allo 0,75% del PIL.