L’utilizzo delle nuove tecnologie in campo sanitario prende sempre più piede come fattore predittivo di indiscutibile valore. Prevedere una futura pandemia, per esempio, può essere molto utile, dandoci per tempo la maggior parte degli strumenti per contrastarla sul nascere.
Un recentissimo studio della New York University suggerisce che il Machine learning, potrebbe migliorare la capacità dei governi e delle autorità pubbliche di rispondere a future pandemie e altre crisi di salute pubblica con largo anticipo.
Il Machine learning è quella branca dell’Intelligenza artificiale che si concentra sull’uso di dati e algoritmi per imitare il modo in cui gli esseri umani “imparano”, migliorando la propria precisione col tempo.
Telemedicina, cos’è e come farla in Italia: tecnologie e finalità, un modello possibile
Indice degli argomenti
I dati per l’apprendimento automatico
L’approccio della New York University parte dall’utilizzo dei dati testuali scaturiti delle visite al pronto soccorso e, in particolare, sul motivo principale per cui il paziente si è recato presso tale reparto di un dato nosocomio.
Questi dati testuali contengono dati molto più ricchi del semplice “una persona ha sintomi simili a quelli di un’influenza”. Potremmo sapere, in pratica, in maniera precisa che tipo di sintomi ha o a cosa è stato esposto quel determinato paziente; così facendo si possono individuare, in questi dati testuali, modelli da cui possiamo dedurre la possibilità che si sviluppino nuovi focolai per una o più malattie (cose che, usualmente, non sarebbe possibile fare per le autorità sanitarie dei diversi paesi, impegnate verso altri tipi di eventi).
La speranza è che i diversi dipartimenti di sanità pubblica eseguano questo tipo di approccio ad apprendimento automatico su base giornaliera, in modo che l’algoritmo faccia emergere, ad esempio, dati delle ultime ventiquattro ore, affinché le autorità sanitarie pubbliche possano esaminare e, se necessario, rispondere con mezzi e tempi adeguati.
Machine learning, non solo prevenzione
Tale approccio emerso presso la New York University potrebbe anche aiutare le autorità pubbliche a gestire tutta la miriade di attività che devono affrontare quotidianamente, come le intossicazioni da fumi, le esposizioni a sostanze chimiche o affrontare nuove casistiche di overdose di droga causate dall’ingresso nel mercato di nuove sostanze stupefacenti sintetiche. Quindi, ancora una volta, l’obiettivo è quello di fornire alle autorità governative ed amministrative una consapevolezza quotidiana di tutto ciò che sta accadendo nel proprio Paese o, comunque, nella propria area di competenza (con la pandemia, ad esempio, si parlerebbe di mondo intero).
Lo studio newyorkese è potenzialmente utilizzabile sia in merito a qualcosa che già conosciamo (come può essere una improvvisa legionellosi), sia in merito a qualcosa non ancora evidente. Invero, non dovrebbero nemmeno essere necessari molti casi di questo tipo per rendersi conto che c’è qualcosa di nuovo e diverso di cui la sanità pubblica deve occuparsi in maniera celere. Tuttavia, l’ironia sul punto è data dal fatto che i tipici sistemi di sorveglianza delle malattie si limitano usualmente ad associare casi di nuove malattie a categorie di sindromi già esistenti, senza accorgersi che c’è qualcosa di totalmente inedito.
Il metodo della New York University
Quello su cui i ricercatori della New York University puntano con il loro studio è di creare una rete di sicurezza per catturare tutti quei tipi di eventi che altri sistemi, in altre parole, potrebbero dare per scontato come, ad esempio, scambiare il Covid-19 per influenza.
Tuttavia, nel caso di una lacuna nei dati, le cose potrebbero andare diversamente. Il sistema in esame dipende dalla qualità, dalla disponibilità e dalla tempestività dei dati. Quindi, ad esempio, se un’autorità governativa di un Paese non riceve tempestivamente i dati dei pronto soccorso dagli ospedali locali, questo avrà un impatto sulla capacità globale di rispondere con efficacia ad una nuova malattia.
Allo stesso modo, se vi sono stati errori gravi nel modo in cui i dati sono stati raccolti, questi hanno il potenziale di propagarsi negativamente in ciò che possiamo rilevare utilizzando quei dati. Inoltre, potenziali pazienti che potrebbero non farsi visitare ai pronto soccorso non permetterebbero la rilevazione e la sorveglianza di una nuova sindrome. Esiste tuttavia un’ampia gamma di dati che la sanità pubblica utilizza per individuare i focolai delle malattie, nuove o conosciute.
L’uragano Sandy e Machine learning
Uno dei modi in cui i ricercatori della New York University ha testato l’algoritmo è stato l’esame dei dati che arrivarono ad alcuni ospedali statunitensi dopo l’uragano Sandy, che colpì gli Stati Uniti dieci anni fa. Il team newyorkese riscontrò una progressione molto interessante riguardo ai dipartimenti di emergenza di New York che furono attivi nella gestione dell’evento. Il giorno dopo l’impatto di Sandy, i ricercatori riscontrarono quello che si sarebbero aspettati, ossia la presenza di “codici rossi” in pronto soccorso.
Immediatamente dopo l’evento le persone che arrivavano presso i pronto soccorso presentavano serie ferite alle gambe o crisi respiratorie in atto, conseguenze dirette dell’impatto dell’uragano. Un paio di giorni dopo, le persone che si recavano in emergenza in ospedale presentavano problemi legati alla salute mentale, soprattutto depressione e ansia. Infine, giorni più avanti, si assistette ad un altro tipo di casi: questa volta connessi alla dialisi oppure al trattamento di mantenimento con metadone.
Tutte cose che, in genere, non verrebbero trattate in un pronto soccorso ospedaliero. Poiché dopo la “tempesta perfetta” tutti gli ambulatori medici erano chiusi, le persone dovettero ricorrere alle cure di prima urgenza anche per questi motivi. Questa esperienza del 2012 ci mostra come il pronto soccorso viene sollecitato e, come reagisce, in seguito a un disastro naturale di grandi proporzioni.
Peraltro, casi come questi sono molto istruttivi per il personale dei pronto soccorso degli ospedali e del loro management. Essere a conoscenza di cosa potrebbe essere necessario, anticipare e disporre di risorse adeguate ad affrontare tutti questi diversi tipi di problemi, è cruciale.
Conclusioni
Tornando al Machine learning, la sua applicazione allo studio in esame permette a epidemiologi e politici di essere consapevoli degli eventi futuri partendo dai dati. Cosa impossibile da anticipare altrimenti. La chiave di volta è far rilevare ciò che è importante in tutto questo complesso di dati, a cui un essere umano potrebbe interessarsi e a cui potrebbe volere in futuro rispondere.
