Nel panorama in rapida evoluzione della sanità pubblica, molte strutture sanitarie stanno adottando sistemi di Intelligenza Artificiale (IA) per migliorare la gestione dei flussi di pazienti e l’allocazione delle risorse. Algoritmi predittivi per la durata della degenza e il rischio di riammissione ospedaliera sono sempre più diffusi, contribuendo a una gestione più efficiente delle risorse. Sono i temi su cui sta lavorando il progetto TrustAlert (www.trustalert.it) che mira a fornire servizi di assistenza sanitaria predittiva e di gestione dei protocolli di sicurezza nelle strutture sanitarie in caso di emergenze, come la recente pandemia.
Frutto della collaborazione tra il Dipartimento di Scienze Cliniche e Biologiche e il Dipartimento di Informatica dell’Università di Torino, la Fondazione Bruno Kessler (FBK), e con il supporto della Fondazione LINKS, TrustAlert si avvale anche dell’esperienza sul territorio piemontese di tre partner: l’Ospedale Cottolengo, l’Azienda Sanitaria locale ASL-CN2 ed il Gruppo Innovo.
Il lavoro principale del progetto consiste nel creare una piattaforma integrata capace di analizzare in tempo quasi reale flussi di dati provenienti da una molteplicità di fonti. Tali dati includono informazioni strutturate come schede di dimissioni ospedaliere, visite ambulatoriali e dati sul consumo farmaceutico, ma anche dati non strutturati come le news sanitarie. Inoltre vengono analizzati anche i dati relativi al territorio, all’assistenza domiciliare e all’hospice.
TrustAlert si articola su tre macro-obiettivi. In primo luogo, mira a sviluppare strumenti tecnologici avanzati per rilevare precocemente potenziali emergenze sanitarie, analizzando una vasta gamma di dati in tempo quasi reale. Questo permetterebbe una prevenzione più efficace e una reazione più rapida alle minacce per la salute pubblica. In secondo luogo, il progetto si propone di mappare i modelli di morbilità e le vulnerabilità mediche già presenti nelle comunità, aprendo la strada a una pianificazione sanitaria più mirata ed efficace. Infine, TrustAlert ambisce a creare un vero e proprio “laboratorio virtuale” per simulare scenari di emergenza e testare strategie di risposta, offrendo ai decisori politici strumenti concreti per ottimizzare l’allocazione delle risorse in situazioni critiche.
Per raggiungere questi obiettivi, TrustAlert sfrutta le tecnologie di IA e analisi dei dati avanzate. Sono stati sviluppati metodi innovativi per analizzare dati sanitari, creando modelli predittivi avanzati capaci di prevedere la durata dei ricoveri ospedalieri, un passo importante verso l’ottimizzazione delle risorse sanitarie. Il progetto impiega algoritmi di IA per monitorare le notizie raccolte in tempo quasi reale dalla piattaforma GDELT di Google, consentendo il monitoraggio di potenziali minacce sanitarie emergenti. Inoltre, attraverso l’applicazione di modelli di deep learning, si stanno costruendo “traiettorie sanitarie” ed analizzando i percorsi di cura dei pazienti per identificare tendenze e rischi nascosti, offrendo un servizio di stratificazione del rischio a cui tutte le strutture sanitarie possono accedere con i loro dati.
Il progetto TrustAlert prevede inoltre la creazione di un ambiente di simulazione 3D, un vero e proprio laboratorio virtuale. In questo spazio digitale, è possibile modellare la diffusione di malattie infettive in ambienti ospedalieri, testare l’efficacia di differenti misure preventive come l’uso di mascherine e sistemi di ventilazione, e simulare le complesse interazioni tra personale medico e pazienti. Questo “laboratorio virtuale” non è solo un esercizio accademico, ma uno strumento che offre ai responsabili politici e sanitari la possibilità di prendere decisioni informate e sviluppare strategie efficaci di prevenzione e risposta alle emergenze.
L’impatto potenziale di TrustAlert è quello di offrire strumenti innovativi per migliorare la gestione della salute pubblica, con il potenziale di promuovere un approccio più informato e tempestivo alle emergenze sanitarie. Il progetto è ancora in fase di sviluppo e la sua effettiva implementazione richiederà ulteriori validazioni e adattamenti basati su feedback reali. Il prossimo passo sarà la transizione dalla ricerca all’applicazione pratica, attraverso un’attenta valutazione dei risultati sul campo.
