L’intervento chirurgico è parte di un più complesso percorso che inizia con la diagnosi di patologia e la successiva visita chirurgica che dà indicazione all’intervento stesso.
«Da questo momento a quando il paziente entrerà davvero in sala operatoria passa sempre del tempo», sottolinea la professoressa Elena Bignami, a capo dell’Unità Operativa II Anestesia e Rianimazione dell’Azienda Ospedaliera Universitaria di Parma. «All’avvicinarsi della data stabilita, il paziente deve effettuare un pre-ricovero che verifica la sua condizione fisica. In questa fase si effettua anche la visita con l’anestesista che stabilisce la preparazione che deve essere condotta prima dell’intervento. Tutta questa fase preparatoria è fondamentale perché consente di stratificare i rischi del singolo paziente rispetto all’intervento e a organizzare al meglio il percorso perioperatorio. Non sempre, però, la gravità di una patologia e la complessità di un intervento sono sufficienti per definire il rischio: per un paziente anziano affetto da più patologie, per esempio, anche un intervento semplice può essere rischioso. Viceversa, un paziente più giovane e privo di comorbidità può superare brillantemente anche un intervento più complesso».
Calcolare al meglio i rischi connessi a ogni intervento è fondamentale sia per migliorare la sicurezza del paziente sia per pianificare la gestione perioperatoria a partire dalla preparazione del paziente fino al suo risveglio, definendo nel dettaglio le tempistiche e l’uso dei vari spazi. Ciò si traduce anche in una gestione più accurata del blocco operatorio.
Utilità del machine learning
«In letteratura esistono indicazioni per ottimizzare l’organizzazione del percorso perioperatorio e del blocco operatorio stesso. La maggior parte delle volte, però, gli studi coinvolti sono stati svolti all’interno di ospedali di ultima generazione, costruiti anche per efficientare al massimo il percorso chirurgico. La realtà è che spesso ci troviamo a lavorare in edifici di vecchia costruzione che rispondono a requisiti una volta ritenuti fondamentali nel settore ospedaliero ma che oggi rendono più complesse alcune gestioni. Pensiamo agli ospedali ancora strutturati in padiglioni. Occorre quindi individuare strumenti che permettano di migliorare al massimo l’organizzazione del percorso operatorio partendo dalle risorse disponibili, altrimenti si rischia di inseguire una perfezione teorica non raggiungibile», commenta la professoressa Bignami.
Machine learning e big data potrebbero essere gli strumenti adatti per raggiungere questo obiettivo.
In una revisione sistematica portata avanti su 19 studi e pubblicata lo scorso dicembre su Journal of Medical Systems, il team della professoressa Bignami ha evidenziato le molte potenzialità dell’applicazione del machine learning al management della sala operatoria.
«Questa tecnologia permette, per esempio, di calcolare i tempi operatori con una buona precisione, il che consente di fare una migliore programmazione degli interventi, riducendo il tempo inutilizzato e aumentando il numero di interventi effettuati in una giornata. Ciò ha inevitabili ricadute anche sulle liste d’attesa. L’algoritmo random forest si è inoltre dimostrato utile nell’individuare gli interventi a maggior rischio di cancellazione, consentendo così alle strutture ospedaliere di individuare delle alternative. È chiaro che occorre indagare ulteriormente l’utilità di questi strumenti: gli studi in letteratura sono ancora pochi, quindi le evidenze non sono forti. Credo, però, nel potenziale di questi nuovi strumenti tecnologici. Il machine learning, in particolare, è una tecnica statistica avanzata rivoluzionaria perché migliora i propri risultati all’aumentare dei dati e della conoscenza acquisita. In altre parole, impara via via che elabora dati. Ciò permette di personalizzare al massimo le analisi statistiche, perché i risultati dipendono dai dati inseriti nell’algoritmo: così, se inseriamo informazioni relative al nostro blocco operatorio, otteniamo dati reali e pratici che ci aiutano a migliorarne la gestione. Anche le capacità dei chirurghi possono essere valutate all’interno di questo contesto per organizzare al meglio anche le risorse umane. Se, per esempio, una struttura ha un chirurgo molto bravo dal punto di vista tecnico ma lento, potrà decidere di non inserirlo tutti i giorni nel planning operatorio. Alcuni aspetti non si vedono se non si hanno molti dati da analizzare e un essere umano non riesce a fare analisi complesse in tempi rapidi. Le tecnologie di machine learning hanno invece questa capacità. Di più: il loro operato migliora via via che aumenta la quantità dei dati a loro disposizione».
Non a caso di solito questa tecnologia si affianca a quella dei big data. Per verificare se questi nuovi sistemi possono essere utili nel rendere il blocco operatorio dell’Azienda Ospedaliera Universitaria di Parma più efficiente, la professoressa Bignami nell’aprile 2019 ha quindi mosso i primi passi verso una sperimentazione ad hoc.
La sperimentazione dell’azienda parmense
Sono tre i protocolli di studio elaborati dal team di lavoro della professoressa Bignami e ora al vaglio del Comitato Etico.
«Due di questi sono di carattere organizzativo, mentre il terzo è riferito alla clinica. I primi due protocolli vogliono individuare come organizzare al meglio il nostro blocco operatorio: intendiamo quindi far analizzare al machine learning dati relativi alle tempistiche di tutto il percorso operatorio: quando il paziente entra nel blocco operatorio, quando entra in fase operatoria, quando riceve l’anestesia, quanto tempo resta in sala operatoria e quanto tempo nel blocco operatorio e così via. L’idea è di verificare quando e quanto si sforano i tempi rispetto alla programmazione settimanale effettuata, quali sono i tempi morti, legati a quale operatore/chirurgo, quando e come viene sbagliata la preparazione ecc., tutti fattori che incidono sia sulla sicurezza del percorso per il paziente sia sull’organizzazione del blocco operatorio nel suo complesso. Noi ci troviamo ogni mercoledì per fare questa programmazione e avere a disposizione informazioni così dettagliate potrebbe aiutarci a renderla più precisa e percorribile».
Per esempio, se l’analisi individuasse la presenza di un ritardo medio giornaliero sulla programmazione degli interventi, meglio decidere di mettere in conto un intervento meno al giorno, piuttosto che trovarsi a riferire ogni giorno all’ultimo paziente in lista che verrà operato il giorno dopo. Questo, infatti, non solo manda in tilt la programmazione, ma crea disagio al paziente e alla sua famiglia e in ogni caso li mette in difficoltà.
«Il terzo protocollo dovrebbe, invece, concentrarsi proprio sulla stratificazione del rischio operatorio», riprende la professoressa Bignami. «In questo caso, per aumentare la mole di dati a nostra disposizione, abbiamo pensato a uno studio multicentrico che coinvolgerà anche altri ospedali italiani. Più nel dettaglio, monitoreremo in continuo l’elettrocardiogramma di un paziente durante l’intervento chirurgico. La mole di dati che dovrà essere trasmessa è davvero grande e stiamo cercando di capire quale tecnologia utilizzare. I dati dovranno essere trasmessi in modo criptato e al tempo stesso tracciabile, senza subire alcuna modifica per la sicurezza della privacy del paziente e anche del dato stesso, ai fini del risultato dello studio. Altro aspetto che stiamo cercando di valutare è dove archiviare tutti questi dati».
Il tema della sperimentazione ha permesso al team di lavoro di vincere anche un grant (bando alte competenze). Un’ulteriore ricaduta dell’uso di big data e machine learning in un contesto operatorio potrebbe riguardare la medicina legale.
Un aiuto nelle controversie legali
Al momento, qualsiasi indicazione venga fornita dal machine learning, in medicina, non ha valore legale, ma un domani questo potrebbe cambiare, soprattutto se aumentassero gli studi atti a dimostrare l’affidabilità e l’utilità di questa tecnologia, con risultati positivi. In effetti, i database analizzati con machine learning potrebbero essere considerati per un ospedale alla stregua di una scatola nera per un aeroplano: qui verrebbero conservati tutti i dati storici di tutti gli interventi effettuati all’interno del blocco operatorio.
«In caso di azione medico-legale contro un’équipe operatoria, i dati di questa scatola nera potrebbero dimostrare che le azioni portate avanti erano le migliori possibili per quella struttura ospedaliera, ponendo quindi l’accento su un principio di realtà. Ciò potrebbe essere di grande aiuto non solo all’ospedale, ma anche ai singoli operatori che ci lavorano», sottolinea la professoressa Bignami.
Come abbiamo visto, serve un database di dati per poter avviare le analisi statistiche avanzate: a Parma esiste un database storico che, se il comitato etico darà il consenso, potrà costituire il punto di partenza. Poi occorrerà aumentarne le dimensioni per avere a disposizione indicazioni sempre più precise.
«Questo avanzamento tecnologico non deve spaventare. L’intelligenza artificiale», spiega ancora la professoressa Bignami, «è uno strumento che fornisce delle evidenze: sta poi all’essere umano valutarle, in questo caso per migliorare la sicurezza del percorso chirurgico per il paziente e anche per gli operatori. Con un ulteriore vantaggio: andrà certamente a migliorare anche la qualità del dato da utilizzare in ricerca clinica».
Machine learning, quindi, come strumento per individuare gli ambiti migliorabili all’interno di uno specifico blocco operatorio, in maniera altamente personalizzata. Uno strumento al servizio del miglioramento continuo in medicina e della sicurezza del paziente, ma anche di un lavoro più facilmente tollerabile a livello emotivo dai professionisti del blocco operatorio.
«Infatti, se si stabilisce che un certo blocco operatorio può lavorare a un certo regime, è inutile chiedere di fare di più: il rischio è solo di far lavorare sotto stress i professionisti stessi», conclude la professoressa Bignami. L’aspetto interessante è che, vista in questa prospettiva, il machine learning potrebbe essere utilizzato per migliorare la gestione di qualsiasi reparto o ambito ospedaliero, sempre nell’ottica di personalizzazione del risultato.
