PNRR E SANITÀ – Verso un approccio di tipo Data-Driven

Continuiamo qui la serie di interventi su come le Organizzazioni Sanitarie possono proficuamente procedere alla realizzazione di quanto previsto all’interno della Missione 6 del PNRR.

In precedenza abbiamo individuato, nel DataLake, il naturale punto di partenza su cui far convergere le informazioni provenienti da diversi sistemi informativi, anche eterogenei tra loro (nel post che precede, ad esempio, abbiamo discusso della necessità d’integrazione dei dati socio-sanitari).

Abbiamo anche sottolineato che, mediante le tecniche di Business Intelligence, si possa estrarre valore da tali dati integrati ottenendone informazioni oggettive, da poter utilizzare come indicatori di performance nel monitoraggio dei risultati.

Aggiungiamo ora che queste informazioni possono essere impiegate come fonte di alimentazione per l’intelligenza artificiale (IA), la tecnica in grado di individuare caratteristiche comuni nei dati presentati.

Le tre componenti sopra indicate - DataLake, Buniness Intelligence e IA - permettono di fatto la realizzazione di sistemi di supporto alle decisioni estremamente efficaci, che potenziano notevolmente la capacità di analisi del decisore e lo aiutano nelle scelte strategiche, fornendogli una visione oggettiva dei fenomeni analizzati e inducendolo ad un approccio di tipo autenticamente data-driven.

Come noto, il PNRR prevede l’attivazione di 1.288 Case della Comunità, entro la metà del 2026. Tali Case dovranno diventare lo strumento attraverso cui coordinare tutti i servizi offerti, in particolare ai malati cronici, per migliorare la presa in carico della persona e la definizione dei piani di assistenza individuali.

Si manifesta quindi l’evidente necessità delle Regioni di dotarsi di strumenti affidabili, su cui basare la creazione di modelli omogenei di stratificazione della popolazione e la connessione ospedale-territorio, al fine di non sovraccaricare gli ospedali e non medicalizzare eccessivamente la vita dei pazienti.

I modelli di stratificazione possono essere ottenuti mediante una modellazione di tipo deterministico che, partendo da un certo set di assunzioni e/o misurazioni, fornisce una serie di regole utilizzate per assegnare ad ogni elemento della popolazione un valore pari, ad esempio, al suo livello di fragilità. Tuttavia, per quanto lo si possa complicare, un modello deterministico risulta efficace, per sua natura, solo per quei processi decisionali che insistono su sistemi caratterizzati da un’unica fase temporale. Per semplificare, quello deterministico è un modello incapace di adattarsi rapidamente al cambiamento, a meno di apportare importanti modifiche che impattino su costi e tempi di realizzazione e manutenzione.

Ora, nel nostro scenario, in cui si hanno a disposizione intere serie storiche di eventi per la descrizione dello stato di salute della popolazione (ricoveri, visite, terapie farmacologiche etc.), appare di gran lunga preferibile ricorrere a modelli che tengano altresì conto dell’evoluzione temporale delle caratteristiche dell’assistito e che ne descrivano il livello di fragilità. Si tratta, appunto, dei modelli basati su algoritmi d’intelligenza artificiale, i quali sono capaci di “apprendere”, adattando la loro risposta proprio in funzione di queste variazioni. Tali intelligenze continuano ad affinare la loro capacità di risposta man mano che nuove serie di dati vengono fornite alla macchina, innescando un processo di apprendimento continuo che, per essere realizzato appieno, ha in una prima istanza bisogno di un “supervisore” operante con approccio multidisciplinare (punto di vista medico, epidemiologo, istituzione sanitaria, sociale).

Per Bi Health, la disponibilità di un patrimonio informativo integrato e facilmente consultabile, in combinazione con il nuovo tipo di tecnologie sopra indicato, rappresenta il fattore abilitante necessario per graduare gli interventi di assistenza in funzione del rischio attuale e prospettico degli assistiti, soprattutto ora, che siamo in vista della realizzazione di una rete di prossimità per l’assistenza sanitaria territoriale. Per questo ci siamo dati il compito di accompagnare le organizzazioni in questo percorso.