CLUSTERIZZAZIONE DELLA POPOLAZIONE 2/2 - come la piattaforma EIMaS può supportare l’attuazione del processo

Nel precedente approfondimento ( ➔ ) avevamo anticipato che, proseguendo nell’analisi del processo di clusterizzazione della popolazione, saremmo passati dagli aspetti generali all’illustrazione delle sue modalità di attuazione, a loro volta basate su esperienze concrete fatte da BI Health con i propri clienti.

Avevamo anche chiarito che i passaggi fondamentali di questo processo erano due:

1. l’identificazione delle informazioni di base da utilizzare

   
   

2. l’applicazione dell’algoritmo che consente, sulla base di tali informazioni, di assegnare ciascun cittadino ad un determinato cluster

e che BI Health utilizza allo scopo specifici moduli della piattaforma EIMaS (qui maggiori dettagli):

• Decision Support System per supportare il management sanitario nella Governance

  
  

• Performance Management 

  
  

• Controllo di Gestione 

Entriamo ora in maggior dettaglio sul diagramma a blocchi che descrive le macro-fasi del processo, ed in particolare sulle sue componenti più significative (le prime 4 box in arancio, cioè quelle specifiche del processo di clusterizzazione).

BOX 1

Identificazione dell’algoritmo di clusterizzazione e dei flussi di dati da utilizzare.

Come algoritmo di clusterizzazione della popolazione è stato scelto il MULTISOURCE COMORBIDITY SCORE (MCS), già utilizzato dal Ministero della Salute, che si basa sulle informazioni presenti nei database amministrativi, come le schede di dimissione ospedaliera, e le prescrizioni di farmaci. Si tratta del primo punteggio che combina insieme informazioni di questo tipo, consentendo diverse analisi predittive relativamente a tutti gli aspetti della storia socio-sanitaria del cittadino.

I suoi principali punti di forza sono:

• la facilità di calcolo

• l’uniformità di misura, indipendentemente dall’ambito geografico in cui viene utilizzato

• la miglior capacità di predizione degli esiti, superiore ai più comuni indici di complessità clinica

Relativamente alle fonti informative da utilizzare, sono stati individuati:

• l’anagrafe della popolazione residente

• i ricoveri ospedalieri per acuti e lungodegenza su tutto il territorio nazionale (SDO)

• la farmaceutica convenzionata (ex. art. 50), ad erogazione diretta e per conto

• le prestazioni di specialistica erogata in regime ambulatoriale su tutto il territorio nazionale

• gli accessi al Pronto Soccorso

BOX 2

Pseudo-anonimizzazione

Le informazioni sopra indicate, indicizzate sulla base del singolo paziente, vengono poi opportunamente pseudo-anonimizzate. Per pseudo-anonimizzazione intendiamo un processo di trattamento dei dati personali che rende impossibile, senza informazioni aggiuntive, attribuire i dati ad una persona specifica. In pratica, si sostituiscono gli identificatori personali (come il codice fiscale) con un codice univoco, mantenendo separatamente e in modo sicuro le chiavi per la riassociazione, nel pieno rispetto delle normative vigenti in materia di privacy/GDPR.

BOX 3

Acquisizione Dati & Data Integration

Le informazioni, provenienti da banche dati differenti, sono poi integrate mediante un procedimento di record-linkage deterministico, ricostruendo così il percorso completo di assistenza per ogni individuo.

BOX 4

Applicazione dell’algoritmo di clusterizzazione

A questo punto, a partire dall’algoritmo MCS, BI Health ha sviluppato, all’interno della propria piattaforma EIMaS, una specifica applicazione denominata “Identificazione del bisogno assistenziale”, che permette di:

• Clusterizzare la popolazione, ottenendo una panoramica completa e dettagliata dei cittadini presenti nell’area di interesse, suddivisi per Indice di Complessità Clinica; possono così essere identificati i soggetti con maggiori fragilità, consentendo di concentrare le risorse e gli interventi su chi ne ha più bisogno

  
  

• Attuare azioni di prevenzione mirate, implementando programmi di prevenzione personalizzati, riducendo il rischio di complicanze e migliorando la qualità della vita dei pazienti

  
  

• Migliorare la gestione dei percorsi di cura, fornendo informazioni dettagliate sui bisogni assistenziali dei singoli pazienti, consentendo così ai professionisti sanitari di definire percorsi di cura personalizzati più appropriati ed efficienti

  
  

• Garantire la sostenibilità del sistema, ottimizzando l'allocazione delle risorse e migliorando l'efficacia degli interventi

Le successive box del diagramma di flusso, dalla creazione di una specifica area di lavoro, alle fasi di test, collaudo, rilascio in esercizio e formazione degli utenti, sono caratteristiche tipo di ogni progetto informatico e non necessitano di particolari spiegazioni.

Per concludere, è importante sottolineare un elemento che riteniamo cruciale nel processo di clusterizzazione della popolazione per profili di rischio: la disponibilità non solo di un modello teorico che guidi il processo, ma anche di uno strumento informatico in grado di supportare al meglio il management dell’Azienda nella sua implementazione.

È nostra convinzione, infatti, che la complessità del processo di clusterizzazione della popolazione debba essere supportata dal giusto mix di esperienza consulenziale e di soluzioni tecnologiche d’avanguardia, ed è in questa direzione che BI Health sta lavorando a supporto dei propri clienti.