Progressi nei Sistemi di Supporto alla Decisione Clinica

I Sistemi di Supporto alle Decisioni Cliniche (CDS) aiutano i fornitori di assistenza sanitaria a prendere decisioni migliori sulla cura dei pazienti. L'idea dei CDS è iniziata negli anni '60, ma è stato solo negli anni '80, quando i dati sui pazienti hanno cominciato a essere raccolti digitalmente, che questi sistemi sono diventati pratici. L'obiettivo principale dei CDS è migliorare l'assistenza sanitaria fornendo strumenti che assistono i medici nel prendere decisioni informate sulla cura dei pazienti. Oggi, i sistemi CDS possono variare da strumenti semplici che calcolano punteggi di rischio clinico a sistemi più complessi che gestiscono farmaci e percorsi di cura dei pazienti.

#Sfide nell'Implementazione dei CDS

Una sfida nell'uso dei CDS è quanto bene si integrano con i registri elettronici dei pazienti (EPR). Quando i lavoratori sanitari devono utilizzare sistemi diversi che non si collegano bene, può limitare i benefici dei CDS. Configurare e mantenere questi sistemi può essere complicato e costoso. Se gli strumenti CDS non sono integrati nell'EPR fin dall'inizio, spesso si rivelano specifici per alcune malattie o reparti, rendendoli difficili da usare in generale. Questa mancanza di integrazione porta il personale sanitario a dover inserire informazioni più volte, il che può provocare errori. Questo sovraccarico di informazioni può rendere difficile per i fornitori di assistenza sanitaria identificare i pazienti che necessitano di cure urgenti.

#Evoluzione dei Sistemi CDS

I primi sistemi CDS erano progettati con regole semplici che si basavano su percorsi logici, simili a una serie di affermazioni se-allora. Tuttavia, le nuove tecnologie hanno portato all'uso del machine learning (ML) e dell'intelligenza artificiale (AI) nei CDS. Questi sistemi moderni analizzano i dati esistenti per trovare schemi che possono aiutare a fare previsioni sui risultati dei pazienti. Ad esempio, un CDS che utilizza ML potrebbe identificare i pazienti ad alto rischio di morte entro 30 giorni dalla diagnosi di una specifica condizione.

Tuttavia, questi modelli avanzati sollevano domande etiche. Poiché molti di questi modelli sono complessi, spesso rimangono un mistero per gli utenti. Senza una chiara comprensione di come questi sistemi arrivano alle loro conclusioni, i fornitori di assistenza sanitaria potrebbero esitare a fidarsi delle loro previsioni. Questo potrebbe limitare l'utilità di questi sistemi, poiché molti fornitori di assistenza sanitaria si basano ancora sulla propria esperienza di anni.

#Un Nuovo Approccio: Il Framework EASUL

Per affrontare alcune di queste sfide, è stato sviluppato un nuovo framework chiamato Embeddable AI and State-based Understandable Logic (EASUL). Il team dietro EASUL mirava a trovare un modo migliore per gestire i pazienti con polmonite acquisita in comunità (CAP), un'infezione polmonare grave che porta a molte morti ospedaliere nel Regno Unito. I costi associati al trattamento della CAP superano il miliardo di sterline ogni anno nel Servizio Sanitario Nazionale (NHS) del Regno Unito.

Il framework EASUL consente la creazione e l'esecuzione di piani CDS in tempo reale. Aiuta i fornitori di assistenza sanitaria creando flussi di lavoro strutturati che incorporano varie fonti di dati. Questo sistema offre la flessibilità di adattare e testare questi piani utilizzando sia informazioni statiche che in tempo reale. Il framework EASUL contiene un'interfaccia web che può funzionare con diversi sistemi ospedalieri, rendendolo adatto a molti contesti sanitari.

#Costruire il Framework EASUL

Il framework EASUL si basa su una libreria di programmazione in Python, progettata per semplificare lo sviluppo dei piani CDS. Include componenti chiave come Gestione dei Dati, algoritmi e visualizzazioni che illustrano i percorsi di cura dei pazienti. Il framework consente agli utenti di testare e regolare i propri piani di decisione prima di utilizzarli con reali pazienti.

Uno dei benefici significativi di EASUL è la sua capacità di funzionare sia con dati statici che con informazioni in tempo reale. Il sistema può valutare vari algoritmi, da quelli semplici a quelli complessi, consentendo ai fornitori di assistenza sanitaria di comprendere meglio i diversi scenari dei pazienti. La flessibilità del sistema consente di integrare vari modelli e fonti di dati per migliorare il processo decisionale.

#Fonti di Dati per la Gestione della CAP

Il team che lavora su EASUL ha raccolto dati dai registri ospedalieri dei pazienti ricoverati con CAP. Questo includeva informazioni demografiche, codici di diagnosi, risultati di laboratorio e registri di trattamento. I dati sono stati accuratamente elaborati e organizzati in modo da poter essere valutati in modo efficiente.

Il primo set di dati derivato da ricoveri passati ha aiutato a identificare i percorsi dei pazienti e i livelli di rischio associati alla CAP. Un secondo set di dati è provenuto da un team specializzato che ha esaminato questi pazienti. Combinando questi set di dati, il team ha potuto confrontare l'efficacia delle valutazioni di EASUL con le recensioni del team specializzato.

#Valutare l'Efficacia di EASUL

Per valutare quanto bene funzioni il framework EASUL, il team ha confrontato i livelli di gravità assegnati sia da EASUL che dal team specializzato. Il framework ha generato automaticamente punteggi di rischio per la gravità della CAP basati su linee guida stabilite, mentre il team forniva le proprie valutazioni.

Nei casi in cui il confronto era possibile, si è notata una notevole discrepanza tra i livelli di gravità assegnati da EASUL e le recensioni degli specialisti. In molte istanze, EASUL ha identificato i pazienti come aventi condizioni più gravi rispetto a quelle designate dagli specialisti. Questo ha evidenziato il potenziale di EASUL di segnalare pazienti che potrebbero aver bisogno di cure urgenti ma che erano stati trascurati nel solito processo di revisione.

#Supporto alle Decisioni Cliniche in Azione

Il framework EASUL è stato messo alla prova utilizzando dati simulati di pazienti che mimavano ricoveri ospedalieri in tempo reale. Questo approccio ha permesso una decisione quasi in tempo reale e ha aiutato a identificare i pazienti che necessitavano di attenzione immediata. Il sistema integrava anche un modello ML che prevedeva gli esiti per i pazienti con polmonite, migliorando la comprensione dei fornitori di assistenza sanitaria sui rischi associati a vari casi.

Il prototipo creato da EASUL ha dimostrato come potesse migliorare la priorizzazione dei pazienti, aiutando i medici a concentrarsi su coloro che richiedevano maggiormente cure urgenti. Il dashboard generato da EASUL forniva visualizzazioni chiare e riassunti di dati, rendendo più facile per il personale sanitario interpretare rapidamente informazioni complesse.

#Conclusione

Lo sviluppo del framework EASUL rappresenta un passo importante nel migliorare il funzionamento dei sistemi di supporto alle decisioni cliniche. Combinando uno strumento flessibile e adattabile con l'elaborazione dei dati in tempo reale, EASUL ha il potenziale di migliorare significativamente la cura dei pazienti negli ospedali.

Man mano che i sistemi sanitari continuano a evolversi, strumenti come EASUL potrebbero aprire la strada a una migliore integrazione dei dati e dei processi decisionali. La sfida continua sarà garantire che tali sistemi mantengano la trasparenza, costruiscano fiducia tra i fornitori di assistenza sanitaria e forniscano informazioni chiare e azionabili che migliorino infine i risultati dei pazienti. Sarà necessaria ulteriore ricerca e sviluppo per affinare questi strumenti e garantire che soddisfino le esigenze dei professionisti della salute e dei pazienti.