19 Gen Healthcare digitalization: i vantaggi di una sanità digitale
Come sta cambiando e cambierà la vita dei pazienti grazie alle nuove tecnologie “intelligenti” digitali.
Un’incursione allo scorso Digital Health Summit da una delle nostre WWEvvine.
Mi presento a tutti: sono Anna, una WWEvvina da poco arrivata nel gruppo, anche io appassionata “ingegneressa” biomedica. Ho terminato l’università qualche tempo fa, ma sono da sempre interessata ad aggiornarmi e rimanere al passo con tendenze e novità del mio settore ed ultimamente mi sono ritrovata a voler capire a fondo quali sono le principali applicazioni del digitale che ne stanno trainando l’evoluzione.
Big data, machine learning, reti neurali e intelligenza artificiale
Oggi termini come Big data, machine learning, reti neurali e intelligenza artificiale (o AI), sono sulla bocca di tutti e sono diventati di primaria importanza in svariati ambiti di business. Ciò è dimostrato anche dal fatto che sempre più società di consulenza sono consultate dalle aziende strutturate per fornire un supporto nei processi di digitalizzazione. Processi che partono dall’introduzione di software gestionali e di sistemi di gestione avanzata dei dati e che possono arrivare all’introduzione di nuove metodologie di analisi, tali spesso da richiedere anche l’integrazione di nuove competenze in azienda.
La digitalizzazione infatti implica di trasformare un qualsiasi tipo di dato (sia questo nella forma di un suono, un’immagine, di un testo o anche di un dato biomedico) in una sequenza di numeri espressi in formato binario, i bit, per creare un segnale che può essere memorizzato, trasmesso a distanza e quindi più facilmente analizzato.
Il processo di digitalizzazione
Negli ospedali italiani, il processo di digitalizzazione è rappresentato dall’introduzione negli anni ‘80 con l’avvio dei primi centri CUP, (centri unici di prenotazione) gestiti da un computer, o dei primi dispositivi medici elettromedicali muniti di sensoristica che integrano un microcontrollore embedded per i più disparati utilizzi. Se pensiamo infatti ai dispositivi come l’elettrocardiografo, quelli inventati a cavallo del 1900 che disegnavano le onde PQRST (delle variazioni del segnale elettrico del cuore nel tempo) su un foglio, come i telegrafi. Oggi invece gli elettrocardiografi presenti nella maggioranza degli ospedali integrano raccolgono dati su molti parametri e trasmettono in segnale real-time agli schermi del reparto o al cellulare del medico, grazie a software integrati il riconoscimento delle anomalie e la produzione di allarmi e notifiche associati.
Ma il cambiamento non si limita alle tecnologie utilizzate dai medici specialisti, riguarda anche gli “utenti” finali dei servizi sanitari ovvero i pazienti. Dopo diversi casi americani infatti, anche in Italia all’inizio di quest’anno un pensionato è stato avvertito dal suo smart watch di una variazione inconsueta del battito cardiaco che lo ha portato a comprendere di essere nel bel mezzo di un infarto che normalmente avrebbe ignorato1. Un altro esempio di digitalizzazione nella vita dei pazienti è quello della cartella clinica digitale: attraverso dei meccanismi di aggregazione dei dati si ha infatti la possibilità di raccogliere tutte le informazioni della propria storia clinica da potenzialmente condividere anche in centri medici e con specialisti diversi.
I dati sanitari dei pazienti
I dati sanitari dei pazienti, se considerati nel loro complesso ed indipendentemente dalla struttura/medico da cui sono detenuti/memorizzati, sono una mole esorbitante e in virtù di ciò potrebbero essere tranquillamente riconosciuti come Big data. Tuttavia, il sistema sanitario italiano non si è ancora debitamente attrezzato per sfruttare appieno il potenziale di una così ampia informazione. Esiste innanzitutto un importante problema di privacy per cui pochi enti possono attualmente agire sui dati sensibili di questo tipo, e molti di essi non hanno ad oggi le risorse e competenze necessarie per farlo.
Le potenzialità dell’analisi di queste moli di dati sono enormi: oltre all’ottimizzazione economica e la personalizzazione del processo di cura, sono molti i benefici che potranno essere abilitati dall’avvento della medicina predittiva e dalla trasmissione ed analisi (con le dovute accortezze per tutelare il diritto alla privacy) ad una più ampia gamma di soggetti economici.
Tanto per fare un esempio raccontato da Alessandra Mazzucco, Associate Partner in Laife Reply, società del gruppo Reply focalizzata sullo sviluppo di soluzioni e servizi di consulenza nel settore sanitario, il fatto che le assicurazioni sulla vita possano adeguare la polizza, ed abbassare la retta, a seconda dei dati raccolti sull’attività fisica fatta dall’assicurato analizzata attraverso il suo smart watch, è la dimostrazione di come questi dati, una volta organizzati in modo consistente, possano produrre dei miglioramenti per la salute dei pazienti e permettere anche un’ottimizzazione delle risorse sanitarie.
Da questi grandi “laghi di dati” (i cosiddetti data lake) sembra però che ci si stia concentrando nel “pescare” solo un sotto-gruppo di modelli finalizzati ad intervenire solamente volta all’ottimizzazione dei costi sanitari. Si sta quindi sottovalutando l’enorme opportunità di migliorare qualitativamente il processo di trattamento e diagnosi del paziente (cosa che nel lungo termine potrebbe produrre un risparmio complessivo significativo).
Proprio di sanità digitale si è parlato lo scorso Ottobre a Milano durante il Digital Health Summit, evento che raccoglieva la partecipazione di molte aziende del settore organizzata da AISIS (Associazione Italiana Sistemi Informativi in Sanità). Tema principale riscontrato nelle varie presentazioni è stata la sanità Value based, ovvero basata sul valore clinico oltre che sui costi, come da vari trattati dell’economista americano Porter2, ed è ormai chiaro che la digitalizzazione deve essere applicata avendo come focus principale il cittadino-paziente.
Un esempio lampante dell’utilità di utilizzare tali dati per migliorare la qualità di vita dei pazienti e il trattamento della patologia è sicuramente la sclerosi multipla, come ha spiegato Paolo Bandiera, Direttore Affari Generali di AISM, che al Summit ha presentato il Registro Italiano SMA3. La SMA è una malattia neurodegenerativa demielinizzante che comporta lesioni alla guaina mielinica che riveste il sistema nervoso centrale. Sebbene la durata della vita dei pazienti non vari significativamente tra un paziente e l’altro, la tipologia di SMA influenza in modo sostanziale la qualità di vita della persona. Vi sono infatti diverse forme riconosciute di SMA caratterizzate da differenti stadi di progressione e peggioramento dei sintomi, intervallati spesso da periodi in cui la malattia può anche stabilizzarsi. Ogni paziente SMA subisce quindi un percorso che varia moltissimo da quello di altri . Non è difficile comprendere quanto questo settore, in cui la spesa sanitaria raggiunge i 600 milioni di Euro sostenuti per un quarto da Enti pubblici, un’ottimizzazione dei percorsi di cura attraverso la medicina predittiva potrebbe avere un impatto enorme e successivamente anche a carico dell’ottimizzazione dei costi. Il primo focus deve però essere il paziente.
La medicina personalizzata
La medicina personalizzata infatti utilizza dati che non sono più solamente quelli derivanti dalla Evidence based medicine, (basati su esperimenti ad hoc in cui coorti di pazienti vengono selezionati con criteri di inclusione molto stringenti), ma da, Real World Data (o RWD), che si fondano sull’utilizzo di dati non filtrati a monte, che vengono analizzati e gestiti poi attraverso un meccanismo automatico e “intelligente” 4 che impara a scegliere in maniera statistica e oggettiva i dati rilevanti nella/per la caratterizzazione di una patologia o di un percorso di cura. Il medico in questo processo non è escluso, ma è presente come “controllore” e come decisore finale.
Rispetto ai conosciuti protocolli attualmente utilizzati in tutte le specialità, l’applicazione di queste tecnologie permetterebbe di disporre di milioni di protocolli personalizzati e di analizzarli con sistemi che “imparano” a riconoscere il percorso più adatto. Non a caso per il settore farmaceutico, in cui si prospetta che la Ricerca & Sviluppo arrivi a 1000 miliardi di dollari di investimento tra il 2019 e 20245, si sta attuando un cambio di paradigma: come ha spiegato Roberto Triola, Capo Area Trasformazione Digitale diFarmindustria, la farmaceutica sta infatti evolvendo da approcci one-drug-fits-all ad approcci “tailored” tali per cui le terapie vengono progettate sulle necessità di ogni singolo paziente. Rispetto a 50 anni fa, per i cosiddetti “tumori del sangue”, ovvero le varie forme di leucemia e linfomi, il tasso di sopravvivenza a 5 anni è cresciuto del 70% con oggi circa 340 farmaci specifici in fase di sviluppo6.
Un esempio relativo al trattamento del paziente oncologico è stato portato dal Dott. Scalamogna, oncologo Roche. Nel caso di alcuni tumori infatti, l’analisi del genoma o profilazione genomica del tessuto maligno o del sangue circolante che trasporta cellule tumorali, può portare ad avere le informazioni per la scelta del trattamento chemioterapico più adatto allo specifico tipo di tumore. Il modello utilizzato è quello mutazionale, tale per cui la terapia viene scelta in base oltre che alle caratteristiche del paziente e al profilo istologico del tumore anche da quello genomico: un modello che senza una digitalizzazione del processo di diagnosi non sarebbe possibile applicare.
Piattaforme integrate di gestione del dato patologico in correlazione con caratteristiche e informazioni del paziente, dati per immagini, informazioni molecolari (e geniche) assieme con i trattamenti disponibili, saranno in futuro un supporto fondamentale per la scelta terapeutica.
La prevenzione
Uno sviluppo ancora più impattante, ma ad oggi decisamente utopico, sarebbe la combinazione di dati fisiologici della persona in un’ottica di prevenzione: a partire da un’anamnesi digitale basata su familiarità, dati sullo “stile di vita” (che potrebbero essere ricavati di sempre più numerosi e comunemente utilizzati wearables) e tutte le analisi eseguite durante la vita di un individuo (anche quelle geniche), potrebbero essere costruiti dei modelli predittivi tali da abilitare l’attuazione di azioni preventive di correzione stile di vita o early diagnosis (diagnosi precoce).
La medicina personalizzata e l’”algoritmica della prevenzione” comporterebbero senz’altro un miglioramento della vita per tutti.
Tornando coi piedi per terra, è doveroso sottolineare che la digitalizzazione di processi e infrastrutture sanitarie, oltre ad abilitare i vantaggi descritti porterebbe con sé anche una serie di rischi, in primis quelli associati alla sicurezza dei dati, ma anche e soprattutto sul piano etico. Si prevede infatti che queste forme di digitalizzazione possano agire sul rapporto medico-paziente migliorando l’aspetto scientifico ma creando difficoltà in quello sociale. Dal punto di vista della governance è quindi necessario regolamentare questo aspetto lavorando per assicurare la dignità della persona, come ha anche ribadito Padre Paolo Benanti, Docente di neuroetica, bioetica e teologia morale presso la Pontificia Università Gregoriana nella sua interessante presentazione.
Per supportare questo processo di digitalizzazione sanitaria, la figura dell’ingegnere biomedico è, ad avviso di chi scrive, di fondamentale importanza, potendo questa correlare le conoscenze in materia biomedica con quelle tecnologiche IT. Specificatamente specializzandosi come data scientist o in collaborazione con figure professionali che trattano data science, possono guidare lo sviluppo di software e modelli decisionali per supportare queste tecnologie. Ovviamente, nell’attuazione del processo risulta fondamentale anche la conoscenza del contesto regolatorio e delle implicazioni etiche delle nuove applicazioni digitali in processi sanitari attualmente “analogici”, affinché la transizione al digitale produca impatti socialmente positivi ed eticamente corretti.
Per concludere
Si potrebbe dunque concludere che i Big Data in Healthcare esistono, anche se sono sicuramente frammentati e molti dei quali ancora in forma da smaterializzare (spesso su carta) o da pre-processare e collegare semanticamente. Inoltre, gli strumenti per analizzare tali dati sono disponibili e in crescita, così come le figure che possono trattarli; ma risulta ancora scarsa la spinta di investimento per promuovere questo processo di conversione digitale che, come riassumiamo, propone diversi vantaggi in molte tematiche7
–Diagnosi, che può essere migliorata e velocizzata dalla disponibilità di analisi su un maggior numero di dati di qualità
-Medicina preventiva, in quanto si possono avere a disposizione dati reali su cui fare un’analisi predittiva
-Medicina di precisione, basata su dati correlati tra data lake diversi per creare un percorso di trattamento personalizzato
-Ricerca medica, che diventerà ricerca “guidata” dai dati per delineare nuovi pattern su grandi moli dati e produrre nuovi trattamenti e terapie
-Riduzione dei casi avversi: la consistenza di dati porterà ad analisi e diminuzione degli errori, oltre che nuovi modelli di prevenzione
-Riduzione dei costi: l’ottimizzazione dei processi di cura basati su dati reali porteranno a migliori outcome e risparmi a lungo termine
-Monitoraggio della popolazione attraverso l’analisi di grandi dati porterà ad identificare nuovi pattern di tendenza di patologie per poter implementare strategie sanitarie basate su dati demografici, geografici e socioeconomici.
L’Italia non sembra comunque sorda in questo senso, ed eventi aperti del genere lo dimostrano. Risulta però solo un piccolo passo per promuovere questo settore che nel mondo si sta già sviluppando grazie ai grandi colossi tecnologici che inaugurano in questo senso una corsa alla salute digitale.
Fonti:
1–https://www.ilmessaggero.it/pay/edicola/infarto_smartwatch_roma-4251270.html
2-Porter and Teisberg Redefining Health Care, HBS Press 2006
3-https://www.aism.it/la_ricerca_sulla_sclerosi_multipla_avanza_grazie_al_registro_italiano_sm
4-Per intelligente si intende un meccanismo di intelligenza artificiale ovvero una modalità di programmazione che permette di “imparare” dai dati, da qui machine learning, ottimizzando i risultati a seconda dei dati inseriti come input nell’algoritmo. Questi programmi si basano principalmente sul deep learning (apprendimento profondo) e sul natural language processing (elaborazione del linguaggio naturale). Utilizzando queste tecnologie, i computer possono imparare a svolgere compiti specifici elaborando grandi quantità di dati e riconoscendo i modelli nei dati. Fonte: https://www.sas.com/it_it/insights/analytics/what-is-artificial-intelligence.html
5-Fonte: PWC. The 2017 Global Innovation 1000 study, Evaluate Pharma.
6-Fonte: PhRMA
7-NEJM (catalyst.nejm.org) © Massachusetts Medical Society
No Comments