In seguito allo scoppio della pandemia nel marzo 2020, il gruppo Covid-19 task force è nato dentro la Confederazione dei laboratori europei di intelligenza artificiale (Claire), con lo scopo di supportare la gestione della crisi attraverso l’uso dell’intelligenza artificiale.
Le prospettive prossime e future del gruppo di lavoro sono allineate con quelle della task force. La prima fase del lavoro, fondata su base volontaria e svolta in fase emergenziale, è giunta alla fine, e si sta valutando come proseguirne il lavoro, per renderlo più stabile e dargli un respiro più ampio, duraturo e generale.
L’intelligenza artificiale per la ripresa dell’Italia: ecco sfide e opportunità
La nascita e l’organizzazione del gruppo di lavoro
Il gruppo di lavoro su “Scheduling & Resource Management” si occupa della rappresentazione specifica e risoluzione automatica di problemi di pianificazione, programmazione ed ottimizzazione di risorse.
Il gruppo di lavoro è nato contestualmente alla definizione della task force e dei suoi obiettivi. I coordinatori della task force hanno definito una decina di linee di intervento prioritarie e lanciato una call aperta ed internazionale ai ricercatori di intelligenza artificiale, affinché potessero contribuire in uno o più di questi gruppi di lavoro.
Hanno definito i coordinatori dei vari gruppi. Il gruppo di lavoro su “Scheduling & Resource Management” inizialmente era composto da circa 30 ricercatori provenienti da Paesi principalmente, ma non esclusivamente europei, con competenze simili, ma non sovrapposte, e complementari, e che operano in diverse realtà, da università a centri di ricerca, da start-up a Pmi.
Il lavoro è stato organizzato con un approccio bottom-up ovvero sono stati definiti sottogruppi per lavorare su problemi specifici, con l’idea di integrarne i contributi in un secondo momento.
I problemi affrontati e risolti con l’intelligenza artificiale
I ricercatori nella task force hanno competenze prevalentemente legate alla parte deduttiva dell’intelligenza artificiale (pianificazione, scheduling eccetera), anche se sono presenti alcuni esperti sulla parte induttiva, ovvero machine e deep learning.
Per quanto riguarda la parte deduttiva, i ricercatori usano l’approccio basato principalmente su rappresentazione della conoscenza e ragionamento automatico per risolvere i problemi. Utilizzano linguaggi logico-matematici per rappresentare in un modo preciso, tramite formule o regole, le specifiche del dominio reale da affrontare, ovvero i requisiti, i vincoli e le preferenze.
Poi i ricercatori calcolano le specifiche, insieme ai parametri di un problema specifico, con i dati storici attraverso deep e machine learning. In seguito, le danno in pasto a un solver, che è un software che è in grado di interpretare tali specifiche scritte in un determinato linguaggio e trovare una soluzione che rispetti le specifiche stesse e le eventuali preferenze.
I principali problemi applicativi che sono stati affrontati e per i quali si sono prodotte soluzioni sono programmazioni di:
- interventi in sale operatorie in presenza di risorse scarse;
- sedute chemioterapiche;
- sedute riabilitative.
Interventi in presenza di risorse scarse
L’assegnazione di slot temporali per svolgere interventi di varia natura ai pazienti è un problema particolarmente rilevante specialmente in presenza di risorse scarse, come i letti di terapia intensiva, sia per gli elevati costi di attivazione di nuovi posti che per la necessità di mantenerne un certo numero disponibile a valle di interventi complessi su pazienti non-Covid da operare.
Abbiamo visto quanto siano impattanti e limitanti le scarse risorse duranti la pandemia. La soluzione in questo caso assegna ai pazienti giorno, slot temporale e sala operatoria, tenendo conto di vari vincoli:
- il tipo di intervento da svolgere;
- la disponibilità delle sale;
- le priorità dei pazienti;
- assicurando la presenza di letti in terapia intensiva a quei pazienti che, dato l’intervento, potrebbero averne bisogno.
L’attività ha portato anche a simulare in tempo reale l’impatto sulle liste operatorie che può avere la conversione di un certo numero di sale operatorie in terapie intensive da dedicare a pazienti Covid-19.
Programmazione di sedute chemioterapiche
Programmare in maniera efficiente e regolare sedute chemioterapiche è di particolare rilevanza soprattutto in un periodo di pandemia come l’attuale, dove la maggior parte degli sforzi e delle risorse sono dedicati a fronteggiare gli effetti della pandemia.
La soluzione in questo caso assegna ai pazienti chemioterapici un letto o una poltrona, a seconda delle esigenze, in un giorno e a un orario compatibile con le altre sedute e le risorse disponibili, tenendo conto della natura ciclica di tali sedute e di requisiti ulteriori legati alle regole sul distanziamento, evitando sovraffollamenti negli ambulatori.
Una prima soluzione è stata testata con soddisfazione del cliente sui dati dell’Unità operativa e di Emato Oncologia dell’Ospedale S.Martino di Genova, e si sta ora lavorando a raffinarla per includere ulteriori dati e specifiche.
Programmazione di sedute riabilitative
Alcuni studi rilevano come circa un terzo della popolazione mondiale avrà bisogno durante la propria vita di sedute riabilitative.
È quindi particolarmente importante essere in grado di programmare le sedute riabilitative in maniera efficiente, tenendo conto dei vari vincoli e delle preferenze dei pazienti, per esempio essere seguiti da un operatore con cui si sono trovati particolarmente bene in precedenza.
Inoltre, il profilo del fisioterapista, così come molti altri profili professionali in sanità, è particolarmente richiesto sul mercato, e le strutture che li impiegano devono garantire carichi di lavoro adeguati e bilanciati per evitare fughe di personale.
La soluzione adottata è attualmente in uso in strutture appartenenti agli Istituti Clinici Scientifici Maugeri, su percorsi di cura neurologici, neuro-motori e cardio-polmonari, e nell’arco dei prossimi 18 mesi prossimo futuro verrà estesa a tutte le 16 sedi.
Intelligenza artificiale, le soluzioni applicative
Per queste soluzioni si sono anche sfruttate competenze pregresse acquisite nella risoluzione di problemi di turnistica e workforce management, per esempio per programmare in maniera automatica i turni del personale infermieristico.
Queste soluzioni applicative nascono dalla collaborazione con SurgiQ, una PMI con sede a Genova e clienti in Italia e in Inghilterra. L’azienda ha finanziato il laboratorio di ricerca congiunto “Artificial Intelligence for Digital Health” e contribuisce con proprio personale, guidato da Giuseppe Galatà (data scientist e responsabile AI di SurgiQ), al già nutrito gruppo di lavoro.
“Il laboratorio” – ha avuto modo di dichiarare Ivan Porro, CEO di SurgiQ – “è sia un luogo dove creare nuova conoscenza, sia una fucina di talenti. Un aspetto che ci permetterà di introdurre in azienda un ex tesista proprio in queste settimane”.
La collaborazione si concretizza anche in una piena condivisione di contatti, specifiche di problemi e dati che permettano di validare le soluzioni studiate.
Più di recente, in uno sforzo congiunto di tutta la task force, si ci sta occupando anche del problema dei piani di vaccinazione. Per quando riguarda questo gruppo di lavoro, il problema è quindi quello di programmare i vari appuntamenti delle persone, tenendo in conto priorità (es. fascia d’età) e rispettando gli intervalli di tempo tra le dosi.
Conclusioni
Nella prima fase uno dei più grossi problemi è stato il reperimento di specifiche e dati: per raggiungere gli obiettivi futuri è quindi importante che vi sia un accesso più semplice e più disponibilità di tali informazioni, motivo per cui la collaborazione tra Università e azienda risulta spesso fondamentale.
