Si stima che solo in Europa ogni anno si verifichino 2,6 milioni di nuovi casi di infezioni correlate all’assistenza (ICA), con un impatto clinico ed economico imponente, maggiore di quello connesso a qualsiasi altra patologia infettiva per la quale siano disponibili dati. La situazione non è migliore nelle altre parti del mondo.
Negli USA, per esempio, si stima che le infezioni correlate all’assistenza siano causa di circa 72.000 morti l’anno, colpendo ogni giorno 3 pazienti su 100 e determinando spese sanitarie per circa 30 miliardi di dollari l’anno. Sono molte le tipologie e le fonti d’infezione che possono mettere a rischio la salute dei pazienti ricoverati in ospedale: polmoniti associate alla ventilazione, infezioni nei siti d’intervento operatorio, infezioni da Clostridium difficile, infezioni urinarie dovute al catetere sono alcuni esempi.
«Il problema delle infezioni correlate all’assistenza è oggi estremamente rilevante», spiega Anna Odone, professore ordinario di Igiene e Sanità Pubblica all’Università di Pavia. «Infatti, oltre a mettere a rischio la sicurezza dei pazienti, sono associate a degenze prolungate, disabilità e mortalità in eccesso, nonché a carichi economici aggiuntivi, diretti e indiretti, per il sistema sanitario. Come se ciò non bastasse, questi eventi incidono negativamente anche sul problema dell’antimicrobico-resistenza, un’altra delle sfide che la medicina moderna si trova ad affrontare. La disponibilità di efficaci sistemi di sorveglianza e monitoraggio è il cardine della prevenzione e del controllo delle infezioni correlate all’assistenza. La sorveglianza ha l’obiettivo di quantificare i casi d’infezione nei diversi contesti assistenziali, identificarne i fattori di rischio con lo scopo di pianificare, implementare e valutare tempestive azioni di controllo e intervento, basate sulle migliori evidenze scientifiche».
Il Sistema di Sorveglianza italiano
Diversi studi hanno dimostrato in modo empirico che la partecipazione a sistemi di sorveglianza attiva delle infezioni correlate all’assistenza si associa, nel tempo, alla riduzione dell’incidenza delle infezioni. Ecco perché in Italia dal 2006 a oggi è stato attivato un programma sperimentale, che però non è mai stato esteso a tutte le Regioni. Il programma comprende: un Sistema di Sorveglianza nazionale delle Infezioni del sito chirurgico, al quale partecipano le Aziende Sanitarie di 9 Regioni; un Sistema di Sorveglianza nazionale delle Infezioni in Terapia Intensiva, che raccoglie i dati di tre reti collaborative che globalmente coprono 142 Terapie Intensive. A questi sistemi di Sorveglianza si uniscono due Studi di prevalenza delle infezioni, il primo negli ospedali per acuti e il secondo nelle RSA. Queste esperienze hanno fornito alcune indicazioni, ma lo stesso sito del Ministero della Salute sottolinea la necessità di standardizzare la sorveglianza per poterla estendere a tutte le Regioni italiane.
«Il sistema di sorveglianza attivo è uno dei diversi modelli raccomandati e validati dalla letteratura, cui si associano la sorveglianza continua, la sorveglianza passiva, gli studi di prevalenza e la sorveglianza basata su alert. In ogni caso, la sorveglianza richiede personale dedicato, formazione, tempo e risorse importanti. Ecco perché negli ultimi anni si è iniziato a discutere sul potenziale delle tecnologie digitali a supporto dei sistemi di sorveglianza. In particolare, si sta ipotizzando l’impiego di sistemi di intelligenza artificiale – intesa come l’ottimizzazione automatica e iterativa di modelli matematici sviluppati – con progressiva accuratezza – su grandi moli di dati disponibili, integrati nei modelli di sorveglianza attiva delle infezioni correlate all’assistenza, nella prospettiva di un efficientamento dei processi, di una riduzione degli errori e di un contenimento delle spese. Infatti, l’applicazione di queste tecnologie potrebbe migliorare l’affidabilità, l’efficienza e la standardizzazione delle pratiche di sorveglianza, ridurre i costi correlati alle ICA e consentire d’intraprendere azioni tempestive o real time in ambito sia clinico sia preventivo».
Qual è lo stato dell’arte delle conoscenze, dell’uso e dell’impatto dei sistemi di intelligenza artificiale per il controllo delle infezioni correlate all’assistenza? Per rispondere a questa domanda la professoressa Odone ha avviato una collaborazione con Federico Cabitza, professore associato di Interazione Uomo-Macchina e Information Systems presso il Dipartimento di Informatica dell’Università degli Studi di Milano-Bicocca e consulente presso l’Irccs Istituto Ortopedico Galeazzi di Milano (Gruppo San Donato), con l’obiettivo di raccogliere, sistematizzare e analizzare in modo critico le evidenze disponibili nella letteratura biomedica mondiale.
«Ammetto che speravamo di individuare più esperienze cliniche dell’uso dell’intelligenza artificiale nella sorveglianza delle infezioni correlate all’assistenza. Purtroppo, così non è stato. Ciò che abbiamo capito è che il campo è ancora acerbo: gli studi pubblicati riguardano, infatti, in prevalenza analisi di performance e validazione di modelli basati su algoritmi di intelligenza artificiale e non la loro applicazione o valutazione d’impatto in contesti clinici. Inoltre, non ci sono analisi di valutazioni economiche e di costo efficacia o costo-beneficio».
Lo studio è la prima revisione disponibile sull’argomento.
Ne riassumiamo qui i principali risultati.
La revisione sistematica, condotta seguendo le linee guida internazionali, ha richiesto un imponente lavoro di ricerca e analisi: gli autori hanno identificato e valutato oltre 3400 citazioni, 2873 studi originali che, una volta analizzati, hanno portato a includere 26 studi, condotti in 9 Paesi:
15 condotti negli Stati Uniti, 7 in Europa (Svizzera, Francia, Spagna, Norvegia, Finlandia, Russia), 2 in Asia (Taiwan e Cina) e altri frutto di collaborazioni internazionali; questi studi sono stati condotti per la maggioranza molto di recente (dopo il 2017). Analizzando in dettaglio la paternità degli studi inclusi, si rileva che il 74% è stato condotto da team multidisciplinari formati da clinici e ricercatori con competenze tecniche in informatica e ingegneria. Gli studi inclusi hanno sviluppato strumenti di controllo delle ICA applicando modelli di IA di tipo predittivo nel 63% dei casi e retrospettivo nel 37%, con dati provenienti da Dipartimenti Chirurgici nel 33,3% dei casi, nel 22,2% Unità Intensive, nel 7,4% Dipartimenti di Emergenza e nel 37% dei casi in reparti di medicina. Come già accennato, la maggior parte degli studi considerati confrontava analiticamente parametri di performance tra un algoritmo di IA e algoritmi non IA o score clinici di identificazione delle infezioni correlate all’assistenza.
«Nell’insieme, il nostro studio suggerisce che i modelli di intelligenza artificiale siano efficienti quanto (se non di più) degli score clinici già usati nella sorveglianza delle infezioni correlate all’assistenza. Bisogna però sottolineare che i 26 studi sono tra loro molto eterogenei, condotti in contesti assistenziali diversi, il che rende particolarmente difficile un confronto mirato sui parametri di performance quali sensibilità, specificità, valori predittivi. Se è quindi innegabile che l’intelligenza artificiale potrebbe migliorare, supportare e integrare i sistemi di prevenzione e controllo delle infezioni correlate all’assistenza, ipotizzando anche di arrivare a veri e propri sistemi di alert che permettano d’intervenire in tempo reale sui soggetti a rischio di sviluppare infezioni correlate all’assistenza, è vero anche che servono ulteriori passi prima di arrivare al traguardo sperato», sottolinea la professoressa Odone.
«Il nostro lavoro ha identificato un unico studio sperimentale di applicazione di modelli di intelligenza artificiale al controllo delle infezioni, che ne valutasse l’efficacia su outcome clinici e di organizzazione sanitaria». Vediamone i risultati principali.
Ricoveri più brevi, minore tasso di mortalità
Uno studio randomizzato e controllato dell’Università della California ha valutato come un modello di intelligenza artificiale dedicato all’individuazione dei pazienti a rischio di sviluppare infezioni correlate all’assistenza possa influenzare la durata delle degenze e il tasso di mortalità. Nel disegno dello studio i pazienti del gruppo sperimentale sono stati seguiti con gli score di individuazione della sepsi di uso corrente con l’aggiunta di un algoritmo di intelligenza artificiale, mentre i pazienti del gruppo di controllo sono stati sorvegliati con i soli metodi tradizionali.
Il protocollo di studio prevedeva che, una volta ricevuto un alert infezioni correlate all’assistenza, il team sanitario intervenisse sui pazienti per valutare la necessità d’iniziare il trattamento per sepsi, uguale nei due gruppi. In questo modo si è potuto valutare l’impatto del sostegno dato dall’algoritmo di intelligenza artificiale al team sanitario. Gli autori hanno dimostrato che il modello di intelligenza artificiale adottato ha permesso di ridurre la lunghezza del ricovero dai 13 giorni del gruppo di controllo ai 10,3 giorni del gruppo sperimentale, incidendo anche positivamente sul tasso di mortalità intra-ospedaliera, diminuito nel gruppo sperimentale del 12,4%, senza associarsi a eventi avversi.
«I risultati di questo studio sono promettenti, anche se va riconosciuto che il campione selezionato è relativamente ridotto e i dati ancora poco generalizzabili ad altri contesti», commenta la professoressa Odone. «Ciò non toglie, però, che aprono la strada a ulteriori studi».
La stessa professoressa dichiara che il lavoro intrapreso dal suo gruppo proseguirà nel prossimo futuro, sempre in collaborazione con il gruppo del professor Cabitza, per avviare uno studio d’intervento per sviluppare e applicare uno strumento di intelligenza artificiale adeguato e verificarne l’utilità in corsia.
«Il progetto prevede la collaborazione tra le competenze di ingegneria informatica, alle quali affiancheremo la disciplina dell’igiene e della medicina preventiva, con l’obiettivo di avanzare nelle conoscenze sull’uso di nuovi strumenti digitali nella lotta alle infezioni correlate all’assistenza e il miglioramento della qualità e della sicurezza delle cure».
Più digitalizzazione dei dati
Per concludere, è d’uopo una riflessione sui perché, nonostante esitano vari studi di modelli di intelligenza artificiale applicati alla sorveglianza delle infezioni correlate all’assistenza, poche siano ancora le evidenze di implementazione in contesti assistenziali.
«A mio parere, il percorso culturale e di ricerca per l’applicazione sul campo di soluzioni che applichino l’intelligenza artificiale al controllo delle infezioni correlate all’assistenza è ancora lungo. In primo luogo, occorre sensibilizzare la classe medica, stemperando la diffidenza di alcuni colleghi e sottolineando come queste nuove tecnologie siano da intendersi non in sostituzione del pensare e dell’agire umano, ma a supporto dello stesso. La nostra sensazione è che questo processo possa avvenire con successo in ambito di prevenzione e sanità pubblica, ancor più che in ambito diagnostico o terapeutico. Oltre al processo di transizione culturale e di produzione di evidenze, si aggiungono, però, ulteriori limiti effettivi. Uno è quello dell’ancora limitata digitalizzazione dei dati sanitari che, almeno in Italia, è ancora purtroppo lo status quo in molti contesti. Se anche ci sono ospedali che raccolgono e archiviano dati in formato digitale, spesso non esiste un sistema informatico integrato, ma tanti diversi sistemi che faticano a dialogare tra loro. Non parliamo poi del confronto di dati provenienti da strutture ospedaliere diverse. Questo è un problema perché l’intelligenza artificiale più dati può analizzare più si alimenta e rafforza».
Eppure, se si vogliono ottimizzare in futuro le potenzialità delle nuove tecnologie informatiche a supporto di sistemi sanitari efficienti e sostenibili, occorrerà mettere mano a tutte le criticità per risolverle, integrando competenze multidisciplinari a supporto della ricerca, della pratica e delle politiche di salute del futuro.
Bibliografia
Scardoni A, Balzarini F, Signorelli C, Cabitza F, Odone A. Artificial intelligence-based tools to control healthcare associated infections: A systematic review of the literature. J Infect Public Health. 2020;13(8):1061-1077. doi:10.1016/j.jiph.2020.06.006
Shimabukuro DW, Barton CW, Feldman MD et al. Effect of a machine learning-based severe sepsis prediction algorithm on patient survival and hospital length of stay: a randomised clinical trial. BMJ Open Resp Res 2017;4:e000234. Doi:10.1136/bmjresp-2017-000234
