![In collaborazione con
#forumpa2022
4
analisi sembrerebbe invece suggerire il coinvolgimento dei servizi psichiatrici e di quelli
ospedalieri relativamente alla gestione di determinate tipologie di ricoveri programmati.
DESCRIZIONE DEI DESTINATARI DELLA MISURA
Il principale fruitore dei benefici derivanti dalladozione della metodologia AIEHEM 竪
lassistito regionale. Nel caso del problema dellottimizzazione della gestione delle risorse
di sistema nellassistenza di tipologie di pazienti a rischio di decesso, che si porta come
esempio, i vantaggi a medio-lungo termine di cui questi trae beneficio sono principalmente
quello di migliorare la qualit delle cure palliative e di ridurre le lista di attesa relative a
tutte le tipologie di visita specialistica e di esame strumentale correlate con il problema che
si intende affrontare. Anche nel caso esaminato sembrerebbero infatti venire effettuati
degli approfondimenti specialistici non necessari, forse derivanti da pratiche di medicina
difensiva. Anche il personale operante nelle strutture territoriali ed ospedaliere viene
messo in grado di coordinare al meglio le proprie attivit e ad ottimizzare lutilizzo delle
proprie risorse. Laumento della qualit dei servizi erogati si ripercuote poi non solo sugli
assistiti, ma anche sui loro familiari e caregiver a cui possono essere date istruzioni pi湛
precise su come gestire tali tipologie di pazienti.
Ad essere coinvolti come stakeholders in un progetto AIEHEM devono essere quindi
essenzialmente in primis referenti di associazioni di assistiti e caregiver, assieme ai
referenti delle strutture sanitarie regionali che erogano i servizi o che effettuano le attivit
individuate dal modello di IA che effettua lanalisi del problema o della criticit da
affrontare. In particolare il modello di IA, nel problema specifico che si 竪 scelto per testarlo,
suggerisce di prendere in considerazione associazioni di rappresentanza di assistiti
anziani (vengono considerate particolarmente critiche le classi di et 60-70 e 80-90) e
referenti dei servizi ADI, oltre a referenti di strutture ospedaliere regionali (non solo ASUR
Marche) che effettuano ricoveri per acuti.
DESCRIZIONE DELLA TECNOLOGIA ADOTTATA
Per individuare le variabili di analisi maggiormente correlate con il problema o la criticit
che si intende indagare, individuando al contempo un formalismo logico ovvero una regola
(che pu嘆 anche venire utilizzata come una sorta di linea guida oltre che come modello
predittivo) che le collega, si 竪 scelto di ricorrere allo schema della Macchina Non
Organizzata di Turing (UTM). Una UTM 竪 essenzialmente una rete di porte logiche
(tipicamente una rete di porte NAND) che si auto organizza per fornire la risposta pi湛
adeguata ad un quesito specifico. Nel problema che si 竪 scelto di analizzare
(ottimizzazione della gestione delle risorse di sistema nellassistenza di tipologie di
pazienti a rischio di decesso) il quesito 竪 stato posto come: cosa porta ad un consumo di
risorse superiore a quello medio nellassistenza di pazienti nellultimo trimestre di vita. Per
abilitare lautoorganizzazione della UTM si ricorre ad algoritmi evolutivi. In particolare si 竪
notato che utilizzando un algoritmo ibrido swarm-evolutivo (denominato Evolutionary Bait
Balls Model) si ottengono risultati migliori in termini di accuratezza predittiva rispetto ad
altri modelli evolutivi classici come lalgoritmo genetico. Il modello utilizzato 竪 descritto in
[Lella et al., 2022] dove viene testato per realizzare un sistema esperto in grado di
diagnosticare con un discreto livello di accuratezza il rischio di incorrere nel diabete mellito
di tipo II.](https://image.slidesharecdn.com/aiehem-word-220316072519/85/Aiehem-word-4-320.jpg)
![In collaborazione con
#forumpa2022
5
Il modello di IA deve per嘆 servire ad estendere, non a sostituire le capacit analitiche degli
esperti umani che devono in ogni caso intervenire per predisporre le linee di intervento
migliori per approcciare il problema che viene affrontato. Una volta individuati, grazie al
modello di IA, gli stakeholders e le attivit critiche, si ricorre alla metodologia di progetto
denominata Theory of Change (ToC), utilizzata anche dallUNICEF e da altre
organizzazioni afferenti allONU, che si 竪 dimostrata particolarmente efficace nel trovare
soluzioni a problemi contingenti che richiedessero interventi di natura politica,
amministrativa ed organizzativa [ToC Center, 2021] [UNICEF, 2017].
INDICAZIONE DEI VALORI ECONOMICI IN GIOCO
Considerato il problema specifico della ottimizzazione della gestione delle risorse di
sistema nellassistenza di tipologie di pazienti a rischio di decesso, che viene preso come
esempio di utilizzo della metodologia AIEHEM, si stima un risparmio potenziale annuale di
risorse del SSR pari a circa 16 mln di euro.
TEMPI DI PROGETTO
Il progetto sperimentale AIEHEM, mirato a risolvere la problematica della ottimizzazione
della gestione delle risorse di sistema nellassistenza di tipologie di pazienti a rischio di
decesso, ha una durata annuale ripartita nel modo che segue. Nel primo mese verr
effettuata una ottimizzazione del modello di IA utilizzato per lanalisi (cercando di prendere
in esame altre variabili prese da altri flussi o banche dati) assieme ad una ulteriore
indagine statistica che aiuti ad inquadrare meglio il problema oggetto di studio. Nei
successivi 5 mesi si appronteranno con la ToC le attivit pi湛 efficaci da svolgere per
raggiungere lobiettivo del contenimento annuale dei costi e del miglioramento della qualit
dei servizi. I rimanenti 6 mesi serviranno per monitorare i risultati conseguiti. Il principale
indicatore di outcome che verr preso come riferimento sar quello dellabbassamento
della media dei costi relativi al trattamento della tipologia di assistiti oggetto di studio per il
quale si stima una diminuzione di almeno un 2% rispetto al valore relativo al 2019. Si
prender inoltre in esame, come ulteriore indicatore di outcome, il tempo medio di attesa
delle visite specialistiche e degli esami strumentali correlati che il gruppo di lavoro
coinvolto nella ToC giudicher correlate alle Major Diagnostic Categories (MDC)
individuate dal modello di IA (malattie/disturbi occhio, malattie e disturbi epatobiliari e
pancreas, malattie/disturbi apparato osteomuscolare e tessuto connettivo, malattie
infettive e parassitarie). Gli indicatori di efficacia interna e/o di realizzazione progettuale
verranno definiti dal gruppo di lavoro coinvolto nella ToC.
[Lella et al., 2022]
https://www.insticc.org/node/TechnicalProgram/biostec/2022/presentationDetails/108065
[ToC Center, 2021]
https://www.theoryofchange.org/what-is-theory-of-change/
[UNICEF, 2017]
https://www.unicef.org/executiveboard/media/1471/file/2017-EB11-Theory_of_Change-
EN-2017.07.19.pdf](https://image.slidesharecdn.com/aiehem-word-220316072519/85/Aiehem-word-5-320.jpg)
More Related Content
Similar to Aiehem word (20)
Aiehem word
- 1. In collaborazione con #forumpa2022 1 Documento di approfondimento della soluzione: AI-ENABLED HEALTHCARE ECOSYSTEM MODEL (AIEHEM) INDICE 1. Descrizione della soluzione 2. Descrizione del team e delle proprie risorse e competenze 3. Descrizione dei bisogni che si intende soddisfare 4. Descrizione dei destinatari della misura 5. Descrizione della tecnologia adottata 6. Indicazione dei valori economici in gioco 7. Tempi di progetto DESCRIZIONE DELLA SOLUZIONE Il progetto AIEHEM si pone lobiettivo di analizzare, ricorrendo a uno specifico modello di intelligenza artificiale (IA), i dati messi a disposizione dal sistema sanitario regionale allo scopo di individuare i principali fattori correlati a determinati outcome che lorganizzazione sanitaria intende raggiungere. Gli outcome possono essere di varia natura. Economici (es.: ottimizzare il consumo delle risorse di sistema nelle cronicit etc.), organizzativi (es.: ridurre le liste di attesa, aumentare la qualit dei servizi erogati etc.), sociali (es.: evidenziare le condizioni di rischio per un risk management pro attivo etc.), ambientali (es.: ridurre limpatto ambientale delle strutture sanitarie etc.). Le risultanze del modello di IA servono non solo per individuare le principali variabili di studio da prendere in considerazione, ma anche per definire gli ambiti di intervento e conseguentemente anche gli stakeholder da coinvolgere nel progetto di cambiamento organizzativo da avviare per raggiungere gli outcome stabiliti. Il carattere innovativo di questo progetto non 竪 solo legato alle tecnologie informatiche ed alle metodologie di studio utilizzate, ma anche allapproccio globale che viene seguito. Per la prima volta infatti 竪 un modello di IA ad aiutare a individuare gli attori, i mezzi, le attivit, le conoscenze, le opportunit da cogliere, ovvero lecosistema pi湛 adatto da coinvolgere per risolvere le criticit riscontrate, a cominciare dalle tipologie di utenti finali interessate. Il progetto AIEHEM risulta perfettamente in linea con lapproccio One Health descritto dalla Missione 6 del PNRR, in quanto teso a favorire la collaborazione tra diverse discipline e professionisti attraverso la valorizzazione dei dati e delle informazioni che il sistema sanitario mette a disposizione. Lo scopo ultimo 竪 quello di migliorare la capacit di programmazione dei servizi socio- sanitari, approcciando la complessit delle criticit analizzate in ambito socio-sanitario ed il volume dei dati disponibili (non solo quelli afferenti ai principali flussi ministeriali, ma anche quelli regionali ed organizzativi) mediante lutilizzo di un modello di IA che semplifichi i problemi oggetto di studio e che aiuti ad individuare i principali stakeholder che vengono chiamati a risolverlo. La raccolta, il raffinamento e la successiva elaborazione dei dati disponibili vengono effettuati nel rispetto del codice per la protezione dei dati personali ed anche (e soprattutto) dei valori etici e dei principi fondamentali che sono alla base della pratica della promozione della salute e della sanit pubblica, mediante il coinvolgimento del DPO e del Comitato Etico aziendale.
- 2. In collaborazione con #forumpa2022 2 Come esempio di analisi portata a termine con la metodologia AIEHEM, si considerer il problema di ridurre il consumo inappropriato di risorse nellultimo trimestre di vita degli assistiti. Lo scopo 竪 essenzialmente quello di intensificare le cure palliative evitando di svolgere indagini cliniche che non possono fornire informazioni per cambiare latteggiamento terapeutico e quindi per migliorare il quadro clinico di tali tipologie di pazienti, che conducono inevitabilmente anche ad un ingiustificato aumento del consumo di risorse e delle liste di attesa dei servizi diagnostici coinvolti. Il team che ha sviluppato il progetto AIEHEM afferisce principalmente allo staff del Direttore Sanitario dellAzienda Sanitaria Unica Regionale (ASUR) delle Marche ed alle relative Area Formazione e Comunicazione e Area dei Sistemi Informativi Aziendali, e comprende varie professionalit che pertengono non solo allambito informatico, ma anche allambito amministrativo, clinico e socio-sanitario. Tutto il personale operante nel gruppo di lavoro 竪 altamente motivato, composto da dipendenti abituati a considerarsi non solo come professionisti specializzati nel proprio settore di attivit o ambito di intervento, ma anche e soprattutto come funzionari statali. Come tali sono intenzionati a trovare soluzioni che impattino positivamente sul benessere degli assistiti regionali attraverso il miglioramento della qualit dei servizi erogati ed un consumo efficace ed efficiente delle risorse di sistema. Tutti i membri conoscono contenuti ed obiettivi del PNRR, hanno unottima conoscenza dei servizi e delle problematiche dei servizi territoriali ed ospedalieri regionali e sono in contatto con i principali stakeholders con cui interagiscono lASUR Marche e tutte le organizzazioni che compongono il SSR. DESCRIZIONE DEL TEAM E DELLE PROPRIE RISORSE E COMPETENZE Dott. Remo Appignanesi, Direttore Sanitario dellASUR Marche, Responsabile dellArea di Coordinamento Aziendale per il Governo delle Liste di Attesa, per la Gestione dei Percorsi di Tutela e per lOfferta di Specialistica Ambulatoriale e Libera Professione. Dott.ssa Maria Rita Mazzoccanti, Dirigente Medico dello Staff del Direttore Sanitario dellASUR Marche, Direttore UOC Organizzazione dei Servizi Sanitari di Base, Cure Anziani e Hospice dell Area Vasta n.3 di Macerata. Dott.ssa Antea Maria Pia Mangano, Dirigente Medico dello Staff del Direttore Sanitario dellASUR Marche, Farmacista, Responsabile Scientifico e Referente del Centro Regionale di Farmacovigilanza. Dott.ssa Elena Di Tondo, Dirigente Medico dello Staff del Direttore Sanitario dellASUR Marche, si occupa della informatizzazione del percorso di dimissione protetta dalle strutture di ricovero e della gestione dellemergenza Covid-19 nelle strutture extra ospedaliere. Dott. Pietro Serafini, Collaboratore Tecnico Professionale dello Staff del Direttore Sanitario dellASUR Marche, Esperto in Gestione dei Flussi Informativi e Analisi dei Dati Sanitari nellArea Sanitaria e Socio Sanitaria. Dott.ssa Maria Flavia Spagna, Dirigente Sociologa della Direzione Generale ASUR, Responsabile dellArea Comunicazione e Formazione, Esperta e Formatrice su temi della
- 3. In collaborazione con #forumpa2022 3 comunicazione pubblica ed istituzionale e della comunicazione in Sanit con esperienza pluridecennale nel settore. Dott.ssa Cristina Omenetti, Dirigente Amministrativo dellArea Comunicazione e Formazione della Direzione Sanitaria ASUR. Esperienza decennale nei settori amministrativi delle aziende sanitarie e del Servizio Salute della Regione Marche. Competenze specifiche in materia di bilancio, contabilit, gestione delle risorse umane e finanziarie. Dott. Marco Morbidoni, Dirigente Medico, Dirigente della P.F. Prevenzione e Promozione della Salute nei Luoghi di Vita e di Lavoro presso Regione Marche. Responsabile del Servizio di Epidemiologia dellArea Vasta n.2 di Ancona. Dott.ssa Cristiana Sisti, Dirigente Analista della Direzione Sanitaria ASUR, Responsabile dellArea Sistemi Informativi Aziendali. Esperta di progetto, sviluppo e gestione di sistemi informatici e telematici aziendali. Decennale esperienza maturata nel settore Pubblico e Privato. PhD. Ing. Luigi Lella, Collaboratore Tecnico Professionale della Direzione Sanitaria ASUR, Ingegnere e Dottore di Ricerca in Sistemi Artificiali Intelligenti. Esperienza decennale nellambito della ricerca e dello sviluppo di soluzioni sw e modelli di IA/ML per lelaborazione dati nellambito dellinformatica medica. DESCRIZIONE DEI BISOGNI CHE SI INTENDE SODDISFARE La recente crisi pandemica ha messo in luce i problemi che possono derivare da una cattiva gestione o da una gestione non ottimizzata delle risorse del sistema sanitario. Tutti questi problemi derivano essenzialmente da una insufficiente integrazione dei servizi territoriali, ospedalieri e dei servizi sociali, ma soprattutto dalla mancanza di adeguate strategie di cooperazione tra i vari stakeholder regionali per conseguire quelle sinergie virtuose atte a risolvere i problemi e le criticit che il sistema socio sanitario regionale si trova ad affrontare. Il progetto AIEHEM si pone proprio lobiettivo di fornire supporto alla Direzione dellASUR Marche nellindividuare gli stakeholder da coinvolgere, gli ambiti di intervento e le risorse da ottimizzare per raggiungere determinati outcome che pertengono principalmente allambito economico, ambientale, organizzativo e sociale. Viene presentato, solo a titolo di esempio, lutilizzo della metodologia AIEHEM per risolvere un problema di ottimizzazione della gestione delle risorse di sistema nellassistenza di tipologie di pazienti a rischio di decesso. In questo caso il modello di IA analizza i dati messi a disposizione dal flusso ministeriale A delle schede di dimissione ospedaliera per individuare i fattori correlati con un consumo superiore alla media in casi di ricovero di persone nellultimo trimestre di vita. Da una prima analisi effettuata su una parte di dati presenti sul flusso SDO del 2019, il modello di IA 竪 stato gi in grado di stabilire che le variabili sesso e distretto di appartenenza non sono da considerare. Questo permette di escludere come stakeholder da coinvolgere i referenti dei distretti territoriali. Non si riscontrano inoltre disuguaglianze di genere e non 竪 necessario coinvolgere le associazioni di assistiti che se ne occupano. Lo stesso modello di IA in questa prima
- 4. In collaborazione con #forumpa2022 4 analisi sembrerebbe invece suggerire il coinvolgimento dei servizi psichiatrici e di quelli ospedalieri relativamente alla gestione di determinate tipologie di ricoveri programmati. DESCRIZIONE DEI DESTINATARI DELLA MISURA Il principale fruitore dei benefici derivanti dalladozione della metodologia AIEHEM 竪 lassistito regionale. Nel caso del problema dellottimizzazione della gestione delle risorse di sistema nellassistenza di tipologie di pazienti a rischio di decesso, che si porta come esempio, i vantaggi a medio-lungo termine di cui questi trae beneficio sono principalmente quello di migliorare la qualit delle cure palliative e di ridurre le lista di attesa relative a tutte le tipologie di visita specialistica e di esame strumentale correlate con il problema che si intende affrontare. Anche nel caso esaminato sembrerebbero infatti venire effettuati degli approfondimenti specialistici non necessari, forse derivanti da pratiche di medicina difensiva. Anche il personale operante nelle strutture territoriali ed ospedaliere viene messo in grado di coordinare al meglio le proprie attivit e ad ottimizzare lutilizzo delle proprie risorse. Laumento della qualit dei servizi erogati si ripercuote poi non solo sugli assistiti, ma anche sui loro familiari e caregiver a cui possono essere date istruzioni pi湛 precise su come gestire tali tipologie di pazienti. Ad essere coinvolti come stakeholders in un progetto AIEHEM devono essere quindi essenzialmente in primis referenti di associazioni di assistiti e caregiver, assieme ai referenti delle strutture sanitarie regionali che erogano i servizi o che effettuano le attivit individuate dal modello di IA che effettua lanalisi del problema o della criticit da affrontare. In particolare il modello di IA, nel problema specifico che si 竪 scelto per testarlo, suggerisce di prendere in considerazione associazioni di rappresentanza di assistiti anziani (vengono considerate particolarmente critiche le classi di et 60-70 e 80-90) e referenti dei servizi ADI, oltre a referenti di strutture ospedaliere regionali (non solo ASUR Marche) che effettuano ricoveri per acuti. DESCRIZIONE DELLA TECNOLOGIA ADOTTATA Per individuare le variabili di analisi maggiormente correlate con il problema o la criticit che si intende indagare, individuando al contempo un formalismo logico ovvero una regola (che pu嘆 anche venire utilizzata come una sorta di linea guida oltre che come modello predittivo) che le collega, si 竪 scelto di ricorrere allo schema della Macchina Non Organizzata di Turing (UTM). Una UTM 竪 essenzialmente una rete di porte logiche (tipicamente una rete di porte NAND) che si auto organizza per fornire la risposta pi湛 adeguata ad un quesito specifico. Nel problema che si 竪 scelto di analizzare (ottimizzazione della gestione delle risorse di sistema nellassistenza di tipologie di pazienti a rischio di decesso) il quesito 竪 stato posto come: cosa porta ad un consumo di risorse superiore a quello medio nellassistenza di pazienti nellultimo trimestre di vita. Per abilitare lautoorganizzazione della UTM si ricorre ad algoritmi evolutivi. In particolare si 竪 notato che utilizzando un algoritmo ibrido swarm-evolutivo (denominato Evolutionary Bait Balls Model) si ottengono risultati migliori in termini di accuratezza predittiva rispetto ad altri modelli evolutivi classici come lalgoritmo genetico. Il modello utilizzato 竪 descritto in [Lella et al., 2022] dove viene testato per realizzare un sistema esperto in grado di diagnosticare con un discreto livello di accuratezza il rischio di incorrere nel diabete mellito di tipo II.
- 5. In collaborazione con #forumpa2022 5 Il modello di IA deve per嘆 servire ad estendere, non a sostituire le capacit analitiche degli esperti umani che devono in ogni caso intervenire per predisporre le linee di intervento migliori per approcciare il problema che viene affrontato. Una volta individuati, grazie al modello di IA, gli stakeholders e le attivit critiche, si ricorre alla metodologia di progetto denominata Theory of Change (ToC), utilizzata anche dallUNICEF e da altre organizzazioni afferenti allONU, che si 竪 dimostrata particolarmente efficace nel trovare soluzioni a problemi contingenti che richiedessero interventi di natura politica, amministrativa ed organizzativa [ToC Center, 2021] [UNICEF, 2017]. INDICAZIONE DEI VALORI ECONOMICI IN GIOCO Considerato il problema specifico della ottimizzazione della gestione delle risorse di sistema nellassistenza di tipologie di pazienti a rischio di decesso, che viene preso come esempio di utilizzo della metodologia AIEHEM, si stima un risparmio potenziale annuale di risorse del SSR pari a circa 16 mln di euro. TEMPI DI PROGETTO Il progetto sperimentale AIEHEM, mirato a risolvere la problematica della ottimizzazione della gestione delle risorse di sistema nellassistenza di tipologie di pazienti a rischio di decesso, ha una durata annuale ripartita nel modo che segue. Nel primo mese verr effettuata una ottimizzazione del modello di IA utilizzato per lanalisi (cercando di prendere in esame altre variabili prese da altri flussi o banche dati) assieme ad una ulteriore indagine statistica che aiuti ad inquadrare meglio il problema oggetto di studio. Nei successivi 5 mesi si appronteranno con la ToC le attivit pi湛 efficaci da svolgere per raggiungere lobiettivo del contenimento annuale dei costi e del miglioramento della qualit dei servizi. I rimanenti 6 mesi serviranno per monitorare i risultati conseguiti. Il principale indicatore di outcome che verr preso come riferimento sar quello dellabbassamento della media dei costi relativi al trattamento della tipologia di assistiti oggetto di studio per il quale si stima una diminuzione di almeno un 2% rispetto al valore relativo al 2019. Si prender inoltre in esame, come ulteriore indicatore di outcome, il tempo medio di attesa delle visite specialistiche e degli esami strumentali correlati che il gruppo di lavoro coinvolto nella ToC giudicher correlate alle Major Diagnostic Categories (MDC) individuate dal modello di IA (malattie/disturbi occhio, malattie e disturbi epatobiliari e pancreas, malattie/disturbi apparato osteomuscolare e tessuto connettivo, malattie infettive e parassitarie). Gli indicatori di efficacia interna e/o di realizzazione progettuale verranno definiti dal gruppo di lavoro coinvolto nella ToC. [Lella et al., 2022] https://www.insticc.org/node/TechnicalProgram/biostec/2022/presentationDetails/108065 [ToC Center, 2021] https://www.theoryofchange.org/what-is-theory-of-change/ [UNICEF, 2017] https://www.unicef.org/executiveboard/media/1471/file/2017-EB11-Theory_of_Change- EN-2017.07.19.pdf