Ospedalizzazione a domicilio: ottimizzazione e predizione su dati sanitari
Attività presso Città della Salute e della Scienza – Struttura Complessa Universitaria di Geriatria dell’Ospedale Molinette. Sono promettenti i primi risultati dal progetto Circular Health for Industry (CH4I), finanziato da Compagnia di San Paolo, che riguarda gli ospedali Città della Salute e della Scienza e l’Ospedale Cottolengo di Torino. Il sottoprogetto Ospedali, guidato dalla Fondazione Bruno Kessler (FBK) di Trento con l’unità di ricerca Process & Data Intelligence (Chiara Ghidini) [sito web: https://pdi.fbk.eu ], vede il coinvolgimento dell’Università di Torino con il Dipartimento di Informatica (proff. Roberto Aringhieri e Luigi Di Caro [http://www.di.unito.it/do/home.pl]).
Un’applicazione di interesse riguarda, in particolare, il servizio di Ospedalizzazione a domicilio (OAD) di Città della Salute e della Scienza. Tale servizio si svolge da oltre 35 anni, presso la Struttura Complessa Universitaria di Geriatria dell’Ospedale Molinette, Azienda Ospedaliero-Universitaria Città della Salute e della Scienza di Torino. Un’equipe medico-infermieristico si occupa quotidianamente di seguire i pazienti al proprio domicilio, con benefici sia per la famiglia che per l’assistenza sanitaria (per approfondimenti: https://www.ospedaleadomicilio.it/).
Durante l’emergenza pandemica da COVID-19 vi è stata la necessità di ridurre la pressione sui posti letto ospedalieri e una conseguente rimodulazione del servizio di OAD per la gestione di pazienti affetti da COVID-19 lieve ma soprattutto per la gestione dei pazienti non infetti, anche supportata da strumenti di telemedicina.
Nell’ambito del progetto CH4I, sono state applicate competenze di machine learning e predictive business process management per la ricostruzione automatica dei processi degli ospedali, per occuparsi della loro ottimizzazione e svolgere previsioni sull’esito e tempi dei processi, al fine di riallocare le risorse dinamicamente per affrontare i cambiamenti.
L’intervento proposto include l’analisi dei dati storici riguardanti casi di OAD operati da Città della Salute e della Scienza nel periodo 2018-2020. L’analisi svolta ha come obiettivo principale l’individuazione dei fattori determinanti nella decisione da parte del team medico riguardo all’OAD dei pazienti eleggibili.
L’indagine ha integrato tecniche di Process Mining, che analizzano il modello di processo a monte e tecniche di analisi del linguaggio naturale (Natural Language Processing), necessarie per usufruire efficacemente dell’enorme mole di informazioni (anamnestiche, terapeutiche e diagnostiche) contenute in documenti testuali non strutturati, che sono estremamente diffusi in ambito medico.
L’analisi preliminare è stata seguita dalla costruzione di alcuni modelli predittivi con l’utilizzo di metodi di Machine Learning, nello specifico sono state utilizzate tecniche di monitoraggio predittivo (Predictive Process Monitoring). L’obiettivo delle previsione è duplice: in primo luogo cercare di replicare la decisione dei medici per poter individuare gli aspetti importanti che determinano una decisione del team di OAD. In secondo luogo tentare di predire l’esito positivo o negativo della ospedalizzazione domiciliare stessa, costruendo così un modello proof of concept per il possibile supporto decisionale al team di OAD. Nell’ambito del progetto, monitoraggio e valutazione dell’intervento é affidato a CNR-IRCrES.
Le soluzioni sono di grande interesse per la possibilità di identificazione precoce e semi-automatizzata dei pazienti potenzialmente candidabili all’OAD, ricoverati in Pronto Soccorso(PS), permettendo di aumentare il tasso di segnalazioni di pazienti al servizio, omogeneizzare la proposta di ricovero nel setting di cura più appropriato e facilitare il lavoro del PS, riducendo il tempo di permanenza in PS di pazienti anziani fragili che facilmente vanno incontro a complicanze quali il delirium.
Riferimenti
Unstructured Data in Predictive Process Monitoring: Lexicographic and Semantic Mapping to ICD-9-CM Codes for the Home Hospitalization Service
Ronzani, Massimiliano and Ferrod, Roger and Di Francescomarino, Chiara and Sulis, Emilio and Aringhieri, Roberto and Boella, Guido and Brunetti, Enrico and Di Caro, Luigi and Dragoni, Mauro and Ghidini, Chiara, Marinello, Renata
In International Conference of the Italian Association for Artificial Intelligence (pp. 700-715), Springer, 2022
Towards the application of process mining for supporting the home hospitalization service
Aringhieri, Roberto and Boella, Guido and Brunetti, Enrico and Di Caro, Luigi and Di Francescomarino, Chiara and Dragoni, Mauro and Ferrod, Roger and Ghidini, Chiara and Marinello, Renata and Ronzani, Massimiliano, Sulis, Emilio
In ITBPM@ BPM (2021)
Leveraging structured data in Predictive Process Monitoring: the case of the ICD-9-CM in the scenario of the Home Hospitalization Service
Aringhieri, Roberto and Boella, Guido and Brunetti, Enrico and Di Caro, Luigi and Di Francescomarino, Chiara and Dragoni, Mauro and Ferrod, Roger and Ghidini, Chiara and Marinello, Renata and Ronzani, Massimiliano, Sulis, Emilio
In SMARTERCARE@ AI* IA (2021)