Strumenti software e intelligenza artificiale per monitorare i pazienti Covid a domicilio. Modelli matematici prevedono il decorso della malattia nei nuovi casi di contagio. A Milano il progetto di una struttura virtuale si candida a prototipo di servizio strategico
Una piattaforma per monitorare a domicilio i pazienti Covid, mediante modelli previsionali sul decorso della malattia nei nuovi casi di contagio basati su tecniche di intelligenza artificiale. È stato questo il Centro Operativo Dimessi Covid-19 (COD 19), attivo sino allo scorso 30 ottobre. Il progetto di ricerca sperimentale e sviluppo industriale è stato selezionato dalla Regione Lombardia tra le collaborazioni partenariali volte a contrastare l’emergenza sanitaria. L’operazione ha visto il coinvolgimento dell’Agenzia di Tutela della Salute della Città Metropolitana di Milano, dell’Azienda Sociosanitaria Territoriale Fatebenefratteli-Sacco, dell’Università degli Studi di Milano e delle imprese Link-UP, ACT Operations Research (ACT OR) e Spindox.
La struttura virtuale posta in essere, in una situazione di severo stress per il Sistema sanitario regionale, ha dapprima risposto all’esigenza di assicurare alcune funzioni essenziali. Da un lato esercitare sorveglianza attiva sui dimessi dalle strutture ospedaliere dell’ASST Fatebenefratelli-Sacco. Dall’altro gestirne la sintomatologia e fornire un raccordo stabile con i medici di medicina generale e gli specialisti di infettivologia. Posti in quarantena, i pazienti, cui è stato offerto un servizio di assistenza psicologica, sono stati monitorati telefonicamente da un gruppo di medici specializzandi. Circa 25 i parametri clinici presi in considerazione attraverso una rilevazione bi-giornaliera predisposta dai dipartimenti universitari di Scienze biomediche e cliniche “Luigi Sacco” e di Scienze per gli alimenti, la nutrizione e l’ambiente.
Un modello predittivo basato su un algoritmo Machine Learning
Sulla base dei dati acquisiti e delle correlazioni interne tra gli stessi è stato possibile generare un modello previsionale, basato su un algoritmo machine learning. I ricercatori del Dipartimento di Tecnologie dell’Informazione – OPTLAB impiegando tecniche di decision science, hanno elaborato strumenti di ottimizzazione per la gestione delle risorse umane e delle strutture ospedaliere. A fornire il dataset per l’implementazione del modello ha provveduto la società Link-UP. Questa si è occupata della raccolta delle informazioni durante l’intero periodo di monitoraggio, protrattosi dallo scorso gennaio sino agli inizi di settembre. Il relativo dato, riguardante un totale di 1772 pazienti risultati positivi al tampone, è stato fornito anonimizzato in forma SQL. Partendo da esso si è giunti all’elaborazione del modello predittivo, nella prospettiva di fornire strumenti di supporto utili alla gestione dell’emergenza in corso. Posta a servizio degli operatori sanitari alle prese con i nuovi di casi di infezione, la piattaforma è chiamata a suggerire il decorso della malattia valutando, volta per volta, la necessità o meno di ricorrere a procedure di ospedalizzazione.
Il presupposto di tale capacità prescrittiva è da ricercarsi nella combinazione di tecniche di intelligenza artificiale, statistica e ottimizzazione matematica. È in questo solco che si sono mosse ACT Operations Research (ACT OR) e Spindox, sviluppando strumenti software basati su System Dynamics e simulazione ad agenti (Pandemic Predictive Models), per poi integrare i moduli di calcolo con le sorgenti di dati. Costruiti i report di descrizione del campione in possesso, sono state aggiunte alle caratteristiche dei pazienti, indicizzate attraverso i dati riportati nel DB (età, sesso, malattie pregresse, guarigione clinica, complicazioni, ri-ospedazilizzazioni, mortalità ecc.), stime e considerazioni da letteratura scientifica per poter affinare l’accuratezza della previsione.
Un sistema di supporto decisionale a disposizione degli operatori sanitari
«Lo strumento così sviluppato – a guidarci è Gloria De Luca, del team di lavoro ACT OR – è stato progettato per funzionare su qualsiasi interfaccia Web, in particolare all’interno della piattaforma COD19, da cui i dati stessi provengono. Per potervi accedere si rende dapprima necessaria un’autenticazione da parte dell’operatore sanitario». Avvenuto ciò, il sistema si mostra configurato in tre aree principali:
- Servizi di frontend (garantiti con i browser Google Chrome, Microsoft Edge, Safari) cheforniscono all’utente una visione dei dati disponibili, consentendo di interrogare il modello di intelligenza artificiale per ottenere una predizione rispetto ai parametri del paziente in oggetto.
- Servizi di backend, cheoffrono interfacce applicative per il frontend da cui recuperare le informazioni per poter interagire con il modello. Considerata la rilevanza giuridica attribuita alla tutela della privacy dei dati, viene predisposto un sistema di API Gateway ad autenticazione, in modo da garantire che gli accessi alle informazioni avvengano solo da parte di personale autorizzato. L’Application Programming Interface espone un catalogo dei campi di anamnesi richiesti dal modello come input su cui effettuare la predizione dell’ospedalizzazione.
- Processo di ingegnerizzazione AI, vale a dire l’insieme dei passaggi necessari alla creazione di un modello di machine learning addestrato sui dati disponibili. Questo si compone di step successivi, tra cui, a livello macro, possiamo identificare: selezione e pulizia dei dati, estrazione delle feature in formato compatibile al motore di training del modello, training sui dati, validazione e testing del modello ottenuto. L’output del processo va infine a popolare la Prediction API del backend.
La collaborazione scientifica tra Spindox e ACT OR in una rete neurale artificiale (ANN)
La pagina iniziale della piattaforma, così come concepita dai ricercatori di ACT OR e Spindox, fornisce accesso alla dashboard visualizzando grafici distillati dal dataset che permettono all’utente di disporre immediatamente di una visione complessiva dell’andamento della risposta ospedaliera al contagio. Lo strumento permette di supportare con metriche semplici ma efficaci le decisioni del personale medico.
La dashboard espone come KPI le informazioni riguardanti i contatori dei pazienti gestiti (guariti, ri-ospedalizzati, ricoverati gravi in terapia intensiva ecc.), la distribuzione per fasce d’età, i contagi in base al genere, le malattie correlate nei casi di positività, il raggruppamento delle degenze con riferimento ai giorni di ospedalizzazione.
La pagina dedicata alla predizione offre invece un form precompilato dove inserire i dati del paziente per identificarne il livello di rischio. Questo viene riportato come output della rete neurale, la quale opera una predizione sulla base dei dati inseriti, tra cui informazioni anagrafiche, patologie pregresse, anamnesi, abitudine al fumo, terapie assunte.
Cristiano Carlevaro, responsabile del polo di innovazione e ricerca Spindox in quel di Trento, ci spiega che l’esplorazione preliminare di modelli lineari aveva mostrato scarsa aderenza allo scopo prefissato per via di un’accuratezza massima inadeguata a supportare il tipo di compito. Per questa ragione «si è ritenuto opportuno condurre una sperimentazione su modelli a rete neurale artificiale (ANN)». Questi modelli, che richiedono un certo impiego di tempo per essere addestrati, emulano il funzionamento dei neuroni in un cervello biologico.
«Una ANN – continua Carelvaro – è composta da neuroni strutturati solitamente su tre strati o layer: un layer di input, un layer nascosto ed un layer di output. Ognuno di questi strati è composto da un certo numero di neuroni che si scambiano informazioni attraverso la propagazione dell’output della funzione di attivazione simulando una interconnessione fra un neurone e l’altro».
Non solo Covid: le prospettive di ulteriore sviluppo della ricerca
Le enormi potenzialità dell’approccio a rete neurale – il modello ANN utilizzato è stato un Multi-Layer Perceptron – si sono rivelate sin dalle primissime fasi della ricerca. In particolare, essendo il margine di accrescimento del learning rate direttamente connesso alla ricchezza di dati in termini quantitativi e alla varietà delle sorgenti disponibili, è facile immaginare un riuso proficuo dell’interfaccia di predizione potendo disporre di un campione più ampio e di un dataset con maggiori informazioni. Risiedono proprio qui le più ampie prospettive di sviluppo della ricerca, proiettate ben oltre i tempi tecnici del progetto e lo scenario covid. L’adozione della piattaforma da parte di altri soggetti, l’estensione dell’utilizzo nell’ambito del Sistema sanitario regionale, non farebbe infatti che accrescerne la capacità previsionale.
Ciò varrebbe anche per l’ipotesi immaginata da Cristiano Carlevaro che ad inserire nella piattaforma tutta una serie di informazioni rese in forma anonima possano essere, attraverso un apposito form, gli stessi pazienti risultati positivi al tampone. Tali pratiche si dimostrerebbero pienamente in linea con l’obiettivo iniziale del progetto, che è quello di supportare, attraverso opportuni strumenti analitici, le decisioni degli attori istituzionali, traducendo in scelte operative ben ponderate la mole di informazioni resesi col tempo disponibili.
Il rimando è anzitutto alla possibilità di una previsione costantemente aggiornata dei carichi gravanti sul sistema sanitario, finalizzata ad un’allocazione ottimale delle risorse: esigenza che, in tempo di diffusione pandemica, continua a rivelarsi giorno per giorno quanto mai imprescindibile.
Sulla base dei dati acquisiti e delle correlazioni interne tra gli stessi è stato possibile generare un modello previsionale, basato su un algoritmo Machine Learning. I ricercatori del Dipartimento di Tecnologie dell’Informazione – OPTLAB impiegando tecniche di decision science, hanno elaborato strumenti di ottimizzazione per la gestione delle risorse umane e delle strutture ospedaliere.
