Le aziende che operano nel mondo sanitario hanno già da tempo iniziato a utilizzare l’analisi dati per migliorare i propri servizi.
L’uso di tecniche di Machine Learning e Intelligenza Artificiale permette a queste organizzazioni di ottenere grandi risultati.
A differenza di un report statico, analizzato ad esempio in Excel, una dashboard di analisi dati consente di ottenere informazioni in tempo reale, aggiornate e pertinenti.
Investire in analytics è estremamente importante per trasformare i dati ospedalieri sottoutilizzati e non strutturati in risorse che guidano il processo decisionale finanziario e diagnostico.
Pfizer
Pfizer è una multinazionale farmaceutica con sede a New York.
Una delle più grandi imprese note a livello mondiale per lo sviluppo di un’ampia gamma di medicinali.
L’azienda è diventata nota a tutti per essere stata la prima ad aver creato un vaccino anti Covid, poi regolamentato da FDA (ente governativo statunitense che regolamenta i prodotti farmaceutici e alimentari).
Pfizer usa l’apprendimento automatico e l’Intelligenza Artificiale per sviluppare farmaci e semplificare le sperimentazioni.
Identificazione dei pazienti per le sperimentazioni cliniche
L’Intelligenza Artificiale e l’apprendimento automatico vengono utilizzati per semplificare e ottimizzare gli studi clinici finalizzati ad aumentare l’efficienza.
L’elaborazione del linguaggio naturale e l’analisi dei dati esplorativi delle cartelle dei pazienti possono aiutare a identificare le persone idonee per le sperimentazioni cliniche, a esaminare le interazioni dei biomarcatori specifici dei potenziali membri dello studio, e a prevedere le interazioni farmacologiche e gli effetti collaterali delle diverse molecole.
L’implementazione dell’IA di Pfizer ha aiutato a identificare rapidamente i segnali di “rumore” all’interno di milioni di dati nel loro studio clinico Covid-19 su 44.000 candidati.
Catena di fornitura e produzione
Le tecniche di Data Science e Machine Learning aiutano le aziende farmaceutiche a prevedere la domanda di vaccini e farmaci e a distribuirli in modo mirato.
I modelli di apprendimento automatico consentono di identificare sistemi di approvvigionamento efficienti, automatizzando e ottimizzando le fasi di produzione.
Questi modelli permettono inoltre di fornire farmaci personalizzati a piccoli gruppi di pazienti selezionati.
Pfizer utilizza poi l’apprendimento automatico per prevedere le spese di manutenzione delle apparecchiature utilizzate.
La manutenzione predittiva che utilizza l’IA è il prossimo grande passo per le aziende farmaceutiche per ridurre i costi.
Sviluppo di farmaci
Le simulazioni al computer delle proteine, i test delle loro interazioni, e l’analisi della resa aiutano i ricercatori a sviluppare e testare farmaci in modo più efficiente.
Nel 2016 Watson Health e Pfizer hanno annunciato una collaborazione per utilizzare IBM Watson for Drug Discovery per accelerare la ricerca in immuno-oncologia, un approccio al trattamento del cancro che utilizza il sistema immunitario del corpo per aiutare a combattere la malattia.
Modelli di Deep Learning sono stati utilizzati di recente per la bioattività e la previsione della sintesi di farmaci e vaccini, oltre che per la progettazione molecolare.
Il Deep Learning è una tecnica rivoluzionaria per la scoperta di farmaci, in quanto tiene conto di tutto, dalle nuove applicazioni alle possibili reazioni tossiche delle molecole.
Qlink – assistenza sanitaria per bambini
Qlink è un’azienda con sede a Filadelfia in Pennsylvania che offre servizi di Business Intelligence e analisi.
Ha aiutato il Children’s Healthcare of Atlanta (CHOA) a migliorare le funzionalità delle operazioni, delle finanze e nella ricerca e sviluppo.
Children’s Healthcare of Atlanta è uno dei maggiori fornitori di assistenza clinica per bambini presente negli Stati Uniti.
Opera in 3 ospedali della città e 16 centri di quartiere, gestendo oltre 500.000 visite ogni anno.
Con l’integrazione dei sistemi di Qlink, il Children’s Healthcare of Atlanta è riuscito a ridurre del 65% i tempi di reporting, a eliminare un periodo di attesa che era di 10-12 giorni, a ridurre i costi, e a migliorare la qualità del servizio offerto.
Penn Medicine – prevedere il rischio dei pazienti nelle cure palliative
Penn Medicine è un’importante organizzazione multi-ospedaliera che utilizza l’analisi predittiva per ridurre il rischio per i pazienti con malattie critiche.
La mitigazione dei possibili rischi di lesioni o conseguenze negative è chiamata cure palliative.
Comprende vari compiti di assistenza per pazienti che hanno malattie gravi e sono monitorati dai medici.
Nel 2017, Penn ha lanciato il sistema Palliative Connect, che utilizza un algoritmo di apprendimento automatico che estrae i dati dalle cartelle cliniche elettroniche dei pazienti fornendo previsioni.
Sulla base dei dati storici e in tempo reale, gli algoritmi di Machine Learning possono dire quale paziente si trova nella zona a rischio entro diversi mesi, inviando degli avvisi.
In questo modo i medici possono rispondere in modo proattivo alle esigenze dei singoli.
Secondo i risultati dei test pilota pubblicati , durante il periodo di test, il 57% delle consultazioni attivate è stato approvato dal team di esperti di controllo.
Rispetto ai dati storici, il tasso di consultazioni è aumentato del 74%.
Texas Children’s Hospital – Ottimizzazione dell’utilizzo dello spazio
Il Texas Children’s Hospital ha dovuto affrontare per anni il problema dell’utilizzo non ottimale dello spazio ospedaliero, che ha ridotto le entrate e rallentato il servizio ai pazienti.
Con l’aiuto di Health Catalyst Data Operating System ha sviluppato una soluzione basata sui dati.
Il Texas Children’s Hospital ha creato un’interfaccia analitica di rappresentazione visiva dell’utilizzo dello spazio.
Recuperando i dati Electronic Health Record (EHR), è riuscito a calcolare l’occupazione basandosi sull’orario dell’appuntamento, sullo spazio richiesto, sul personale di supporto e sulle workstation.
Il sistema presenta questi dati sotto forma di mappa visiva che si aggiorna ogni volta che viene approvata una richiesta di utilizzo.
L’ospedale è riuscito ad aumentare le sue entrate di 86 mila dollari in quasi sei mesi, con circa 550 appuntamenti aggiuntivi.
Un’altra parte dell’ottimizzazione riguarda i programmi dedicati ai pazienti.
Il Texas Children’s Hospital ha applicato i sistemi Health Catalyst e Practice Management per ottimizzare la pianificazione delle cure.
L’ospedale ha stabilito un modello per l’allocazione del tempo di programmazione in blocchi di quattro ore.
Appuntamenti di durata diversa sono stati assegnati a fasce orarie differenti.
Tutti gli appuntamenti vuoti sono stati distribuiti in un fuso orario di 72 ore per colmare il divario.
Sono stati aggiunti gli appuntamenti del fine settimana e l’orario di ospedale esteso.
Il risultato, come riporta Health Catalyst, è stato di un fatturato annuo aumentato di 8,3 milioni di dollari con 53mila appuntamenti, e una crescita del tasso di soddisfazione dei pazienti del 39%.
The University of Chicago Medical Center – riduzione del ritardo in sala operatoria
Il centro medico dell’Università di Chicago ha dovuto affrontare un problema con i ritardi nelle sale operatorie.
Il costo di utilizzo della sala operatoria varia da 22 a 133 dollari al minuto, e rimane una delle spese maggiori per le istituzioni mediche.
I ritardi sono causati dal numero di personale coinvolto nelle operazioni chirurgiche e nei preparativi tenuti tra ogni operazione.
Utilizzando dati in tempo reale e algoritmi di apprendimento automatico, l’ospedale è riuscito a programmare le attività della sala operatoria per passarle tra i team con il minimo spreco di tempo.
Il tempo di rotazione è diminuito del 15-20% per camera, con un aumento di circa 600.000 dollari di entrate annuali.
Ysbyty Gwynedd – Monitoraggio del deterioramento dello stato del paziente
Con il lancio delle soluzioni Philips General Wards per il monitoraggio dei pazienti, numerose strutture cliniche hanno adottato la tecnologia come sistema di allerta interno.
Queste tecnologie sono anche chiamate Early Warning Score (EWS), e sono progettate per monitorare i parametri vitali del paziente, rilevare automaticamente la diminuzione dello stato di salute, e inviare avvisi ai medici.
L’ospedale Ysbyty Gwynedd (Bangor-Galles) è stato uno dei primi ad adottare Philips EWS.
Eliminando la necessità per gli infermieri di controllare manualmente i pazienti, questo sistema monitora in automatico più persone contemporaneamente.
Se la salute di qualcuno sta peggiorando, viene inviato un avviso tramite l’interfaccia al personale sanitario.
I dati vengono caricati direttamente nel sistema di amministrazione del paziente, e possono essere consultati dai medici tramite una dashboard centrale.
Il sistema ha aiutato l’ospedale Ysbyty Gwynedd a ridurre gli eventi avversi del 24%, e ha portato a una diminuzione dell’86% degli arresti cardiaci.
Agilon Health – modello di mortalità Covid-19
È impossibile ignorare le applicazioni di analisi dei dati relative alla pandemia da Covid-19.
Ad esempio, Agilon Health ha utilizzato la piattaforma DOS di Health Catalyst per raccogliere dati sulla sintomatologia e sulla mortalità della popolazione in Italia, Cina e Stati Uniti.
I dati includevano ricerche precedenti, studi che coprivano fattori come dati demografici, comorbilità (esistenza di più patologie in uno stesso individuo), densità di popolazione in determinate regioni, ecc.
Combinando questi fattori, Agilon Health ha creato un modello che considera i punteggi di rischio individuali per la popolazione.
Durante un periodo di una settimana, il team di Agilon è riuscito a contattare quasi il 50% della base di pazienti coperta, fornendo precauzioni e mitigando il rischio per coloro che appartenevano a gruppi di età più avanzata.
Gli appuntamenti con il personale medico si sono spostati sui canali di telemedicina (consulenza e diagnostica sul web), per ridurre al minimo l’esposizione dei medici al virus.
Come affermato nel caso di studio di Health Catalyst , Agilon Health è riuscita a creare un modello Covid-19 per circa 125.000 persone (a cui sono stati assegnati punteggi di rischio), e ad aumentare gli appuntamenti di telemedicina di una sede partner (da nessuno nella prima settimana a 2.200 nelle settimane 12 e 13), in linea con il distanziamento sociale e le politiche generali sulla pandemia.
Conclusioni
Come abbiamo visto l’analisi dei dati è utilizzata anche in campo sanitario da un numero considerevole di aziende.
Grazie alla Data Science si possono ottenere miglioramenti tangibili in qualsiasi settore!
Io e il mio team lavoriamo costantemente su progetti che si basano sull’analisi dei dati.
E tu? Cosa aspetti a integrarli nella tua azienda?
Non perdere tempo e investi su un progetto di Intelligenza Artificiale!
Ti invito a prenotare una videochiamata nella quale:
- Analizzeremo la tua organizzazione
Per comprendere meglio il mercato in cui ti trovi dobbiamo sapere di che cosa si occupa la tua azienda e com’è strutturata.
- Analizzeremo la digitalizzazione della tua azienda
Per poter sfruttare al meglio le tecnologie che hai a disposizione dobbiamo conoscere quanto la tua azienda oggi è digitalizzata.
- Studieremo le basi del progetto
Se hai deciso di contattarci è perché hai già in mente un progetto su cui vorresti lavorare. Ti chiederemo di parlarcene, e discuteremo insieme la migliore strategia per avviarlo.
Non aspettare ancora
