News center | Italia
Patient flow management

feb 15, 2022

Il potere della predittività: come l’Intelligenza Artificiale può aiutare le strutture ospedaliere a prevedere e gestire i flussi di pazienti

By Henk van Houten
Executive Vice President, Chief Technology Officer, Royal Philips

Tempo di lettura stimato: 7-9 minuti

Per i responsabili ospedalieri, incaricati di gestire picchi di flussi inaspettati nelle esigenze dei pazienti, la capacità di anticipare e adattarsi a circostanze in rapido mutamento è diventata di fondamentale importanza. E se fossimo in grado di prevedere, in tempo reale, i potenziali sovraffollamenti e prevenirli prima che questi si verifichino?

Mentre la pandemia ha messo più che mai in luce il problema della capienza delle terapie intensive, gli ospedali di tutto il mondo hanno dovuto affrontare grandi difficoltà a causa della carenza di posti letto e di personale, per rispondere alle necessità attuali. Anche in circostanze normali, i dipartimenti di emergenza e accettazione (DEA) presenti in molti paesi lottano per contrastare il sovraffollamento. Le unità di terapia intensiva (UTI) sono spesso costrette ad operare al massimo della capienza o quasi. Troppo spesso ne derivano attese e ritardi, che causano frustrazione, ansia e risultati potenzialmente dannosi per i pazienti, con una forte pressione per lo staff sanitario [1].


Si potrebbe pensare che la soluzione stia nell’aggiungere ulteriori posti letto o assumere altro personale. Eppure, di solito, il problema non riguarda soltanto le risorse. Si tratta anche di gestire meglio i posti letto a disposizione. La vera sfida è spesso rappresentata dal flusso dei pazienti: anticipare e sapere quando spostare un paziente da un contesto sanitario all’altro.

 

Si tratta di una prova di gestione davvero molto complessa e dinamica, con numerosi fattori variabili. A quale paziente, in attesa nel DEA, dovrebbe essere assegnato un posto letto nell’UTI? Quale paziente, al momento in terapia intensiva, posso spostare in sicurezza in un’unità subintensiva per liberare un posto letto? E chi è pronto per essere dimesso e proseguire con il monitoraggio presso il proprio domicilio?

 

La gestione del flusso dei pazienti richiede una visione completa a livello aziendale, attraverso diversi reparti dell’ospedale o della rete ospedaliera. Ed è proprio questa la componente a oggi mancante. Con i dati clinici e operativi disseminati in sistemi diversi, le équipe di medici non possiedono una visione totale della situazione, che vada oltre alla propria unità o reparto. È proprio questa mancanza di informazioni subito disponibili e pronte per essere utilizzate che può ostacolare la prioritarizzazione dei pazienti, rallentarne i trasferimenti e portare a sovraffollamenti imprevisti.

 

La crisi a seguito del COVID-19 ha messo in luce e accentuato molte di queste sfide. Ma ha anche stimolato lo sviluppo di modelli intelligenti per affrontarle. I fornitori di servizi sanitari hanno sposato modelli di collaborazione centralizzata, condividendo i dati in tempo reale per visualizzare la capienza non sfruttata e facilitare il trasferimento dei pazienti. E non si sfruttano tali dati solo per avere una visione d’insieme di ciò che accade in ogni istante, ma anche per fare previsioni e prepararsi alle future esigenze. Ad esempio, gli ospedali hanno utilizzato con successo modelli predittivi per stimare il numero di posti letto, attrezzature e personale necessari per i pazienti affetti da COVID-19 in terapia intensiva e in altri reparti ospedalieri [2,3].

 

Mentre si inizia a pensare a un periodo post-pandemia, esiste un’opportunità unica di incorporare queste pratiche basate sui dati nella gestione quotidiana del flusso dei pazienti, dall’ingresso in ospedale fino alla dimissione e, infine, al monitoraggio presso il proprio domicilio. Utilizzando la potenza dell’IA e della modellazione predittiva, possiamo estrarre modelli e panoramiche pertinenti nel flusso dei pazienti e nelle esigenze per le cure degli stessi da grandi quantità di dati sanitari, forniti in tempo reale e sulla base degli storici. Dopo una validazione iniziale, gli algoritmi risultanti possono essere aggiornati a cadenza regolare per esaminare le tendenze e le circostanze recenti, ottimizzando così ulteriormente il loro valore predittivo. Ciò permette ai responsabili ospedalieri e a chi si occupa di gestire il flusso dei pazienti di organizzare l’assistenza in maniera più efficace attraverso le impostazioni, e di adattarsi in modo rapido alle circostanze in continuo mutamento.

 

Ecco come potrebbe apparire il percorso di un paziente.

Patient flow coordinator

Anticipare i passi successivi lungo il percorso del paziente


Immaginate una paziente di 66 anni, Rosa, mentre viene condotta d’urgenza in ospedale con palpitazioni cardiache e dispnea. Mentre è in viaggio in ambulanza, una notifica viene inviata a Jennifer, un coordinatore del flusso di pazienti in un centro di comando centrale, in grado di supervisionare la capienza attuale e prevista dei pazienti all’interno di una rete costituita da otto ospedali.

 

Dato che Jennifer può vedere subito quali ospedali dispongono di posti letto, è in grado di indirizzare Rosa verso un preciso ospedale, dove riceverà in modo rapido le cure di cui necessita. Se le tendenze della capienza indicano che determinati ospedali rischiano di subire un sovraccarico nelle prossime 24 ore, ad esempio a causa di uno stato di emergenza, Jennifer può iniziare a semplificare il trasferimento dei pazienti verso gli ospedali meno affollati, bilanciando in questo modo il carico di pazienti in tutta la rete. In alternativa, può operare di concerto con i supervisori locali in tutta la rete ospedaliera per attivare piani di emergenza, rendere disponibili posti letto di riserva o pianificare personale aggiuntivo. Questo al fine di prevenire il sovraffollamento nel DEA e gli eventuali ritardi nella diagnosi e nel trattamento.

 

Non appena Rosa viene smistata all’interno del triage del DEA, Jennifer può aiutare i team di cura nel dare priorità a ulteriori valutazioni cliniche basate, fra le altre cose, su un algoritmo di apprendimento automatico che combina i parametri vitali del paziente e i dati fisiologici per prevederne il rischio di peggioramento dello stato di salute. Jennifer dispone anche di una panoramica aggiornata dei posti letto liberi in tutto l’ospedale, che le permette di pre-allocare un letto per Rosa nell’unità di cura giusta, in stretto contatto con il team del reparto. Inoltre, Jennifer può vedere quanti ventilatori saranno necessari per ogni unità di terapia intensiva nelle prossime 48 ore.

Patient flow across the enterprise

Una volta che Rosa è stata curata in terapia intensiva, al fine di stabilizzare le sue condizioni, Jennifer può iniziare a pianificare in anticipo una strategia per facilitarne il percorso di cura. Gli algoritmi intelligenti aiutano Jennifer a stimare quando Rosa potrà essere trasferita in un ambiente ospedaliero con un livello di criticità inferiore, per il monitoraggio telemetrico. Sulla base di un elenco di revisione della transizione, che viene aggiornato in maniera dinamica, Jennifer può supportare i medici nel dare priorità alla valutazione clinica dei pazienti che potrebbero essere pronti per il trasferimento. Al tempo stesso, ha una panoramica aggiornata del monitoraggio telemetrico disponibile. È anche in grado di vedere quanti pazienti nel DEA sono in attesa di un posto letto per la degenza. Ciò aiuta Jennifer a identificare in anticipo i potenziali sovraffollamenti e a gestire, di conseguenza, il flusso dei pazienti.

 

Dopo il ricovero in un’unità subintensiva, dove viene sottoposta a un monitoraggio telemetrico, Rosa è tenuta ancora sotto osservazione dal personale clinico e gli algoritmi predittivi aiutano, ancora una volta, Jennifer a coordinare i passi successivi in maniera proattiva. Sulla base di un’analisi delle deviazioni fisiologiche e dell’andamento degli allarmi nelle ultime 12 ore, Jennifer è in grado di valutare quando le condizioni di Rosa sono abbastanza stabili da poter essere trasferita all’unità medico-chirurgica.

Patient in hospital corridor

Ed eccoci giunti alla fine del percorso di cura di Rosa in ambito ospedaliero. Durante il suo monitoraggio nell’unità medico-chirurgica, che rappresenta la sua ultima tappa prima del congedo dall’ospedale, l’indice di prontezza alla dimissione di Rosa e il rischio di riammissione indicano che è stabile da un punto di vista fisiologico, e sulla buona strada verso la guarigione. Una volta che il medico responsabile ne ha esaminato le condizioni, a Rosa viene comunicato il messaggio che stava tanto attendendo. È pronta per tornare a casa. 

Migliorare il flusso dei pazienti e ridurre la durata della degenza


Con migliaia di pazienti che, come Rosa, passano ogni giorno per la rete ospedaliera, non è difficile vedere i vantaggi di possedere indicazioni cliniche e operative centralizzate per gestire il flusso dei pazienti.

 

Invece di concentrarsi su un’organizzazione “a compartimenti stagni”, i fornitori di servizi sanitari possono iniziare a organizzare l’assistenza all’interno di tutta l’azienda. Se si aggiunge il potere rappresentato dall’analisi predittiva, diventa allora possibile gestire il flusso dei pazienti in modo proattivo da un ambiente sanitario all’altro. Accelerando la progressione del paziente nel suo percorso di cura, i fornitori di servizi sanitari possono evitare il sovraffollamento in alcune aree dell’ospedale e l’impiego eccessivo di risorse essenziali in altre.

 

Per una paziente come Rosa, ciò si traduce in una permanenza limitato soltanto al tempo necessario. Questo, a sua volta, fornisce ad altri pazienti una maggiore possibilità di accedere alla terapia intensiva di cui necessitano. Di conseguenza, le strutture sanitarie possono accogliere più pazienti, riducendo così i ritardi accumulati a seguito della pandemia. Inoltre, il miglioramento del flusso dei pazienti può anche favorire il bilancio finanziario. Ad esempio, un ospedale statunitense ha stimato un possibile risparmio di 3,9 milioni di dollari all’anno eliminando il sovraffollamento del pronto soccorso, attraverso trasferimenti più rapidi verso le strutture ospedaliere [4].

Favorire il processo decisionale interconnesso in tutto l’ospedale


Affinché tale gestione a livello aziendale del flusso di pazienti sia efficace, occorre più di un centro di controllo che monitori e organizzi la capienza e i trasferimenti dei pazienti. Di concerto con tutti i team coinvolti, la direzione dovrà stabilire i KPI più rilevanti a livello aziendale, capaci di rispecchiare il flusso dei pazienti in tempo reale e previsto per i vari reparti. In concomitanza, questi KPI dovrebbero fornire a tutti una previsione affidabile dei sovraffollamenti imminenti, così come un’indicazione sugli interventi più appropriati.

 

Le informazioni che aiutano a gestire il flusso dei pazienti dovranno anche essere disponibili nel punto di assistenza, in una forma fruibile, facile da utilizzare e riconoscibile da tutti i membri del team, tramite quadri di controllo o segnalazioni tempestive. Le indicazioni predittive dovrebbero aiutare i medici nel loro processo decisionale e integrarsi in maniera naturale all’interno dei flussi di lavoro, senza portare a un sovraccarico di informazioni.

Departmental dashboard

In questo contesto, l’adattamento continuo rappresenta un elemento fondamentale. A differenza di altri settori, come quello manifatturiero, dove i processi si inseriscono in una sequenza fissa e predeterminata, l’assistenza sanitaria è un’attività dove accadono eventi imprevisti. Ad esempio, una paziente come Rosa potrebbe non rispondere al programma terapeutico a differenza di quanto previsto e avere quindi bisogno di tornare in DEA per un’ulteriore terapia intensiva. Gli algoritmi predittivi possono aiutare a cogliere i primi segni di peggioramento, anche se la valutazione clinica effettuata sul momento rimane fondamentale per vagliare le condizioni del paziente e decidere come agire in seguito.

 

Ecco perché i centri di controllo nell’assistenza sanitaria non hanno nulla a che fare con una gestione dall’alto. Invece, dovrebbero promuovere la collaborazione fra i medici e gli amministratori delle cure in tutto l’ospedale o all’interno della rete ospedaliera. Il futuro dell’assistenza si baserà su indicazioni predittive che informano il processo decisionale interconnesso, mentre i medici e il personale sanitario rimarranno responsabili delle decisioni cliniche, supportati da un hub centrale che supervisiona il più ampio quadro operativo, per gestire il flusso dei pazienti in maniera proattiva. 

Estendere il coordinamento dell’assistenza dall’ospedale al proprio domicilio


In futuro, il coordinamento centralizzato delle cure potrebbe essere ulteriormente esteso al domicilio del paziente, utilizzando la diagnostica e il monitoraggio da remoto per controllare Rosa nel suo ritorno alla vita quotidiana. Come il mio collega Roy Jakobs ha spiegato in precedenza, migliorare il passaggio dalla terapia intensiva alla successiva riabilitazione rappresenta una delle maggiori opportunità per l’assistenza sanitaria. Ancora una volta l’analisi predittiva nell’assistenza sanitaria può fare la differenza.

 

Immaginate che Jennifer, la coordinatrice del flusso dei pazienti riceva un segnale di preallarme, nel quale si indica che la salute di Rosa sta per subire un nuovo peggioramento, sulla base di un’analisi remota dei parametri vitali e biometrici. Questo permetterebbe a Jennifer di avvisare in maniera proattiva i team di assistenza che, a loro volta, convocherebbero Rosa per un’ulteriore valutazione clinica, prevenendo così una possibile emergenza. Il monitoraggio continuo della salute presso il domicilio del paziente si è rivelato di grande importanza nella gestione delle malattie croniche, come la malattia polmonare ostruttiva cronica (BPCO). Infatti, uno studio pilota condotto negli Stati Uniti ha mostrato una riduzione dell’80% nelle riammissioni a 30 giorni per i casi di BPCO acuta e un risparmio di 1,3 milioni di dollari [5].

 

In buona sostanza, questa è la modalità con cui i sistemi sanitari del futuro gestiranno il flusso dei pazienti lungo il loro percorso in maniera più efficace ed efficiente, affidandosi a decisioni basate sui dati per garantire che il paziente riceva l’assistenza giusta, al momento giusto e nel posto giusto. Sia che si tratti di un ospedale, del proprio domicilio o di una comunità. Sulla base di una conoscenza più approfondita dei modelli delle esigenze e del flusso dei pazienti, i responsabili dell’assistenza sanitaria possono anche iniziare a definire strategie a lungo termine per la pianificazione della capienza ospedaliera, prendendo decisioni più consapevoli sulla tipologia degli ambienti sanitari e sulle risorse necessarie.

 

L’incertezza rimarrà comunque una componente intrinseca nel settore medicale, proprio come nella vita. Tuttavia, prevedendo in maniera migliore ciò che può accadere in seguito, i sistemi sanitari diventeranno più resilienti e capaci di adattarsi al cambiamento e alla crisi. Si tratta di una previsione che sono disposto a fare. 


Bibliografia

[1] Rutherford PA, Anderson A, Kotagal UR, Luther K, Provost LP, Ryckman FC, Taylor J. Achieving Hospital-wide Patient Flow (Second Edition). IHI White Paper. Boston, Massachusetts: Institute for Healthcare Improvement; 2020. http://www.ihi.org/resources/Pages/IHIWhitePapers/Achieving-Hospital-wide-Patient-Flow.aspx

[2] Mayo Clinic COVID-19 Predictive Analytics Task Force, Pollock BD, Carter RE, et al. Deployment of an Interdisciplinary Predictive Analytics Task Force to Inform Hospital Operational Decision-Making During the COVID-19 Pandemic. Mayo Clin Proc. 2021;96(3):690-698 https://www.mayoclinicproceedings.org/article/S0025-6196(20)31482-8/fulltext

[3] Weissman GE, Crane-Droesch A, Chivers C, et al. Locally Informed Simulation to Predict Hospital Capacity Needs During the COVID-19 Pandemic. Annals of Internal Medicine. Volume 173, Issue 1: 21-28.https://www.ncbi.nlm.nih.gov/pubmed/32259197

[4] Foley M, Kifaieh N, Mallon W. Financial Impact of Emergency Department Crowding. Western Journal of Emergency Medicine, Volume XII, n. 2: Maggio 2011, 192-197. https://pubmed.ncbi.nlm.nih.gov/30193738/

[5] Riduzione delle riammissioni ospedaliere con cura integrata della BPCO. Caso di studio Philips. [I risultati sono specifici della struttura sanitaria in cui sono stati ottenuti, possono quindi non rispecchiare i risultati ottenibili in altre strutture]https://www.philips.com/a-w/about/news/archive/case-studies/20191001-reducing-hospital-readmissions-with-integrated-copd-care.html 

Condividi sui Social Media

Temi

Autore

Henk van Houten

Henk van Houten

Henk van Houten è il Chief Technology Officer di Royal Philips. In questo ruolo è responsabile globale per Philips Research, Innovation Services, Philips HealthWorks, Group Technology Start Ups, Technology and R&D Management, e dell’Idea to Market Excellence Program. È Vice Presidente del Group Innovation Board.

Follow me on

You are about to visit a Philips global content page

Continue

Articoli correlati

You are about to visit a Philips global content page

Continue

La visualizzazione ottimale del nostro sito richiede la versione più recente di Microsoft Edge, Google Chrome o Firefox.