L’intelligenza artificiale nella “salute circolare”: opportunità, sfide e passi concreti  - Agenda Digitale

sanità digitale

L’intelligenza artificiale nella “salute circolare”: opportunità, sfide e passi concreti 

La salute circolare è un approccio alla progettazione e all’attuazione di programmi, politiche, innovazione e ricerca in cui più settori lavorano insieme per migliorare la salute pubblica. Vediamo l’impatto dell’IA nel contesto degli ospedali e dell’industria zootecnica e un esempio concreto di sperimentazione

24 Mag 2021
Chiara Ghidini

Fondazione Bruno Kessler e Membro AIxIA

Emilio Sulis

Università degli Studi di Torino

Il lungo anno di emergenza Covid-19 ha evidenziato come, a fianco delle sfide che riguardano l’ambito più prettamente clinico (come lo sviluppo di cure e vaccini), ce ne sono altre relative al modello organizzativo e gestionale inerente, in primo luogo, le procedure e il lavoro sanitario.

Che si tratti di organizzare (o riorganizzare) in tempi rapidi le risorse ospedaliere durante un’emergenza o di definire, all’interno degli allevamenti, sistemi di monitoraggio che permettano di garantire alti livelli di sicurezza e qualità, la difficoltà spesso risiede nella necessità di avere a disposizione sufficienti dati ed informazioni per esplorare le varie alternative e prendere decisioni che ottimizzino i risultati attesi in situazioni nuove ed incerte.

Come supportare quindi le organizzazioni complesse nel loro obiettivo di strutturarsi in modo da poter “generare” salute circolare?

Proviamo a guardare come la digitalizzazione, insieme all’applicazione di tecnologie di IA, può creare sfide e opportunità in due mondi tipici della salute circolare: gli ospedali e l’industria zootecnica.

L’importanza delle organizzazioni nella salute circolare

Chiariamo innanzitutto che la salute circolare è un approccio alla progettazione e all’attuazione di programmi, politiche, innovazione e ricerca in cui più settori comunicano e lavorano insieme per migliorare la salute pubblica. Tra gli ambiti specialistici coinvolti in approcci di salute circolare troviamo: la salute degli esseri umani, la salute di piante ed animali, la sicurezza alimentare, il controllo delle zoonosi (malattie che possono diffondersi tra animali e esseri umani, come influenza, rabbia e febbre della Rift Valley, COVID-19) e il contrasto alla resistenza agli antibiotici (area rilevante per i settori agricolo, veterinario e della sanità pubblica).

WEBINAR
28 Ottobre 2021 - 12:00
Sanità: Servizi digitali e piattaforme per un Sistema Sanitario Nazionale a misura di cittadino
CIO
Dematerializzazione

Il recente focolaio di coronavirus, probabilmente derivato da malattie che possono diffondersi tra animali ed esseri umani, mostra in modo drammatico l’importanza di un approccio circolare alla salute e il fatto che essa dipende da quella di animali e piante. Inoltre, ha messo in evidenza da un lato la necessità di una comunicazione efficace, capace di favorire lo scambio di dati e di conoscenza tra settori diversi, dall’altro una forte difficoltà, nel mondo sanitario e non solo, di ri-organizzare il lavoro di fronte alle emergenze.

Se l’attuazione della salute circolare apre importanti sfide che riguardano, anche congiuntamente, i mondi della biologia, della zoologia, e della medicina, ne pone altrettante alle strutture organizzative e alle industrie che sviluppano e “forniscono” salute ad esseri umani, animali e piante: in particolare gli ospedali, cioè le organizzazioni di riferimento per la salute degli esseri umani, e, se ci riferiamo ai mondi veterinario ed agricolo, le industrie dell’allevamento, dell’agricoltura e della trasformazione alimentare.

L’intelligenza artificiale nella salute circolare: opportunità e sfide

L’emergenza Covid-19 ha mostrato, in modo evidente, il bisogno di avere archivi di dati disponibili al pubblico e tecnologie ed infrastrutture che combinino competenze multidisciplinari di modellazione, analisi dei dati, calcolo distribuito e di medicina, ma anche conoscenze nell’ambito delle scienze sociali, economiche e comportamentali per l’utilizzo di sistemi di supporto alle decisioni. Le procedure e le modalità organizzative di tutte le organizzazioni complesse – siano esse industrie od ospedali – che ruotano attorno al mondo della salute devono poter essere riviste rapidamente e la capacità di fare previsioni in circostanze mutevoli deve essere sostenuta e migliorata. I decisori devono poter contare sui dati, ma anche sugli insights, cioè i suggerimenti, che da questi dati possono essere estratti.

La digitalizzazione e l’Intelligenza Artificiale (IA) sono strumenti potenti per aiutare a raccogliere e a mettere a frutto dati e metodologie che possono contribuire a supportare i processi decisionali e di riorganizzazione, attraverso tecniche di modellazione, predizione, pianificazione ed ottimizzazione. Realizzare la salute circolare richiede quindi, alle varie tipologie di organizzazioni complesse che “forniscono” salute, di fare un grande passo verso questa direzione. Questo passo non riguarda solo lo sviluppo e l’adozione dei cosiddetti “algoritmi di Intelligenza Artificiale” ma anche l’impiego e il potenziamento di infrastrutture che possano facilitare la raccolta e l’analisi dei dati su cui molte di queste tecniche si basano – e che queste tecniche a loro volta producono – e la formazione di personale per poter utilizzare queste tecnologie in modo corretto e consapevole.

La sanità circolare e l’organizzazione della salute

L’importanza e la vastità dell’impatto delle tecnologie digitali di telemedicina e IA in ambito medico è un argomento noto e oggetto di intense ed interessanti analisi. Accanto all’uso di queste tecnologie in ambito clinico – si pensi ad esempio al ricorso all’intelligenza artificiale per riconoscere un’immagine radiologica, per elaborare vaccini, o per motivare un paziente a seguire determinate buone pratiche di salute – un aspetto importante è l’impiego delle nuove tecnologie a supporto dell’organizzazione della salute e dei relativi processi clinico-amministrativi, adottando un approccio olistico e sistemico.

Indipendentemente dal ruolo che le tecnologie informatiche in generale e l’IA in particolare giocheranno nell’affiancare i medici nella pratica clinica, è probabile pensare che gli ospedali più avanzati avranno un’organizzazione basata su tali strumenti. Ma come?

È noto che i processi sanitari sono altamente dinamici, complessi, ad hoc e sono sempre più multidisciplinari, il che li rende sfidanti da analizzare e da perfezionare. Il miglioramento dei processi sanitari potrebbe avere un forte impatto sulla qualità della vita dei pazienti, anche se non è un compito facile e i vincoli sono molti: tra questi, la necessità di ridurre il costo dei servizi e di affinare la capacità di soddisfare la domanda, ridurre i tempi di attesa dei pazienti, accrescere la produttività delle risorse ed aumentare la trasparenza.

Per risolvere questi problemi, un primo contributo viene da tecniche di “process discovery”, capaci di analizzare i dati relativi a ciò che accade in (parti di un) ospedale e di scoprire, da questi, i reali modelli di funzionamento. Il process discovery, concettualmente a cavallo tra il “data mining” e la modellazione e l’analisi dei processi aziendali, è particolarmente importante nel sistema sanitario e soprattutto nelle unità di cura, dove l’estrema variabilità e complessità dei processi comporta spesso una distanza significativa tra le semplificazioni descritte su carta e l’attuale svolgimento del lavoro giornaliero. Saper descrivere la realtà in modo accurato è il primo passo per realizzare una salute trasparente. Inoltre, qualsiasi azione di miglioramento nel processo sanitario, per essere duraturo e contribuire alla sostenibilità complessiva, dovrebbe tenere conto di questo importante dato di realtà. Ovviamente, applicare il process discovery richiede di avere dati affidabili e di qualità. Accanto a quelli già disponibili nei sistemi informativi degli ospedali, non è difficile pensare ad un futuro dove vedremo crescere il ruolo dei dati raccolti con tecnologie IoT, di smart environments e di “digital twinning”.

Avendo a disposizione modelli di qualità, il secondo contributo viene da tecniche di workflow analysis, che facilitano l’identificazione di (in)efficienze, colli di bottiglia, pratiche virtuose, esecuzioni non conformi (perché, ad esempio, violano alcuni vincoli) o rischiose, e così via. Questo tipo di analisi, che non sostituisce ma si affianca a quelle che possono essere compiute da esperti, fornisce un input importante per il progresso del processo sanitario.

Un ulteriore passo si può poi compiere utilizzando sistemi di ottimizzazione. I processi ospedalieri sono caratterizzati da molte fonti di incertezza che rendono la pianificazione ex ante non sufficientemente robusta (o rapidamente obsoleta quando la realtà cambia troppo spesso). Questo determina inefficienza in termini di output e di risultati. Al contrario, algoritmi di ottimizzazione online con “lookahead” si sono dimostrati efficaci nella gestione dei processi sanitari “real time” (pianificazione di sala operatoria, servizi medici di emergenza, reparti di emergenza, programmazione di radioterapia ecc.), garantendo un ulteriore sviluppo nella gestione dei processi in termini di efficienza e, di conseguenza, della qualità del servizio sanitario erogato.

Un ultimo importante contributo dell’intelligenza artificiale per aumentare la capacità di reagire in condizioni di incertezza, o di fronte ad eventi inaspettati, è dato dall’uso di algoritmi di monitoraggio predittivo, capaci prevedere in modo efficiente ed accurato il futuro dei diversi casi di esecuzione.

Opportunità e sfide per l’industria zootecnica

Negli ultimi anni la produzione di alimenti di origine animale ha acquisito maggiore centralità in termini di sostenibilità: ciò è dovuto alla forte pressione sull’ambiente causata dagli allevamenti e dall’intensificazione della loro produttività. Una soluzione globale basata sull’aumento estremo di produttività è chiaramente inadatta: sebbene aumentare la produttività per animale possa essere utile in alcune aree, ciò è meno desiderabile dal punto di vista del benessere degli animali nelle zone di allevamento intensivo. È quindi necessario personalizzare il quadro, considerando i diversi tipi di agricoltura, i sistemi di produzione, le tradizioni socioculturali e i vincoli ambientali. La gestione del bestiame mediante il monitoraggio continuo, automatizzato e in tempo reale della produzione, riproduzione, salute e benessere della mandria e del suo impatto ambientale è definito “allevamento di bestiame di precisione” (PLF). Con il supporto delle tecnologie dell’informazione, PLF integra le competenze dell’allevatore, del veterinario e del tecnico con una raccolta continua di informazioni sul bestiame. Può svolgere un ruolo cruciale nella diagnosi precoce delle malattie e valuta oggettivamente le condizioni e il benessere degli animali nella moderna produzione zootecnica. Si pone quindi come strumento a supporto di molti allevatori responsabili delle decisioni. Nonostante il processo biologico sia troppo complesso per far sì che la tecnologia sostituisca gli allevatori, essa offre parecchie possibilità sia in termini di risparmio economico che di miglioramento della qualità della vita degli agricoltori. Queste tecniche, infatti, permettono di ottenere un sistema di gestione più accurato, che porta ad un miglior utilizzo del potenziale genetico delle specie di bestiame odierne.

Se da un lato l’approccio PLF punta ad una maggiore “accuratezza” sulla quantità e sulla qualità delle informazioni e allo sviluppo di sistemi di monitoraggio, dall’altro lato deve occuparsi della trasformazione dei big data in informazione consapevole. Per questo motivo, sta diventando sempre più comune l’applicazione, a supporto del PLF, di approcci di IA, ed in particolare di Machine Learning. Molti studi di ricerca nel settore bovino si basano sull’applicazione di metodi di apprendimento automatico nella gestione dell’allevamento, per modellare ad esempio l’assunzione individuale di mangime, ottimizzare la salute e la fertilità e identificare potenziali predittori di malattie per diverse patologie.

I dati relativi all’allevamento animale non sono però gli unici dati rilevanti. Spesso la qualità dell’azienda zootecnica è il risultato combinato della qualità dell’allevamento di animali, della produzione di foraggi utilizzati per il supporto dell’azienda e della generazione di biomasse. Tutti questi processi producono parametri a diverse scale, dal livello individuale animale a quello energetico e ambientale. Al fine di realizzare modelli utili allo studio di un sistema così complesso, il machine learning fornisce un framework flessibile in grado di auto-adattarsi all’eterogeneità dei diversi parametri in analisi. I modelli derivati devono essere in grado di identificare indicatori di efficienza, che consentono la gestione, la produzione e il miglioramento genetico, sempre nel rispetto dei criteri di sostenibilità, benessere animale e degli aspetti economici.

L’importanza del fattore umano

Pur focalizzandoci qui principalmente sugli aspetti tecnologici, è importante menzionare che l’applicazione di queste tecniche richiede non soltanto dati e capacità di calcolo, ma anche un’attenzione speciale agli aspetti etici di introduzione dell’IA nelle varie organizzazioni della salute – partendo dal problema dei “bias”, passando per quello della privacy, fino a quello dell’”accountability” delle decisioni. Richiederà anche di risolvere sfide legate alla formazione del personale all’interno delle strutture della salute, personale che dovrà poter scegliere ed utilizzare queste tecnologie in modo corretto e consapevole.

Un progetto concreto: Circular Health for Industry

Un esempio concreto di sperimentazione di salute circolare è offerto da Circular Health for Industry, un progetto di ricerca finanziato da Fondazione Compagnia di San Paolo nella call “Intelligenza Artificiale, uomo e società”. Lo scopo del progetto, guidato da Università degli Studi di Torino, è studiare come raccogliere, gestire e analizzare i dati, soprattutto in modo predittivo, in un approccio Circular Health, senza tenere separati silos di dati su salute umana, animali e piante. Questo permetterà di sviluppare metodi di IA che lavorano su di essi, di favorire il progresso dell’infrastruttura per la raccolta e l’analisi di tali dati e di riqualificare i lavoratori per l’adozione di tecnologie AI. Il progetto si struttura in due progetti di missione, guidati da Fondazione Bruno Kessler e Agroinnova – Centro of Competenze per l’Innovazione nel settore agro-ambientale, che si concentreranno sull’adozione di dati e strumenti di intelligenza artificiale per migliorare l’organizzazione delle industrie per la salute umana, il benessere degli animali e la sicurezza agroalimentare, preservando e progredendo verso obiettivi di sviluppo sostenibile in campo economico, sociale e ambientale.

WHITEPAPER
Data-Driven Manufacturing: come usare i dati per trasformarli in business
IoT
Manifatturiero/Produzione
@RIPRODUZIONE RISERVATA

Articolo 1 di 4