Grazie all’intelligenza artificiale oggi siamo in grado di produrre modelli predittivi capaci di evidenziare la probabile evoluzione di un’epidemia individuando in anticipo i contesti territoriali o i settori che sono maggiormente suscettibili di sviluppare cluster e focolai. Un possibile modello d’intervento
L’organizzazione mondiale della Sanità ha da diversi anni sviluppato early warning system per prevenire e monitorare l’andamento delle epidemie.
Ci sarà molto utile per le prossime, probabili, pandemie.
Questi early warning system sono sistemi di sorveglianza che raccolgono dati sull’insorgenza di focolai epidemici con l’obiettivo di attivare rapidamente delle risposte adeguate. Questi sistemi non applicano metodi statistici perché l’intervallo di osservazione deve essere breve e non si può aspettare che i dati siano abbastanza numerosi da avere una validità statistica. Occorre avere la capacità di estrarre dai dati delle tendenze, quando ancora queste non hanno assunto una significatività statistica, e soprattutto riuscire a cogliere le concentrazioni spaziali di questi dati al fine di individuare sul territorio quegli addensamenti anomali che possono essere indicativi dell’insorgenza di un focolaio
Al fine di raggiungere questi obiettivi è necessario sviluppare indicatori e individuare soglie specifiche che forniscano dei valori di warning per attivare gli interventi. Le soglie possono essere espresse in valori assoluti o relativi in relazione al tipo di focolaio che si vuole prevenire. Per queste soglie nel caso di malattie non endemiche si utilizzano valori assoluti (ad esempio vaiolo, ebola o rabbia nei paesi occidentali), mentre si utilizzano valori relativi per le malattie endemiche e si vanno a guardare gli scostamenti dalle medie settimanali o mensili.
Il vero problema, soprattutto nelle fasi iniziali che, però, sono quelle più importanti per fermare in tempo le epidemie, è distinguere l’insorgere di un focolaio da una semplice fluttuazione statistica nel caso soprattutto delle malattie endemiche, perché ovviamente nel caso di malattie non endemiche dovrebbe bastare l’insorgenza di un singolo caso a determinare un warning e una risposta.
L’importanza della individuazione precoce del rischio pandemico
Nel 2003 la Sars venne fermata grazie all’intuizione di Carlo Urbani che comprese immediatamente che alcune manifestazioni patologiche potessero essere riferite ad una nuova forma di malattia, potenzialmente pandemica e attivò un meccanismo di risposta rapido che riuscì a bloccare la malattia. Una lungimiranza simile non si verificò nel caso del Covid 19, anzi le autorità cinesi nascosero i casi e ritardarono la risposta ponendo le basi per la pandemia che ancora oggi non siamo riusciti a vincere. La mancata attivazione di una risposta rapida ha causato centinaia di milioni di malati e milioni di morti.
Appare quindi chiaro come un early warning system sia necessario per controllare l’epidemia in corso, ma soprattutto per evitare che nuovi virus pandemici possano diffondersi indisturbati causando danni economici e lutti.
Vi è nelle pandemie un punto di non ritorno, superato il quale non è possibile più fermare i contagi, ma si può solo cercare di contenerli. Ecco perché è importante avere degli strumenti che consentano una individuazione precoce del rischio pandemico e delle strategie di intervento rapido per bloccare sul nascere la pandemia.
Il ruolo dell’intelligenza artificiale per un nuovo modello diagnostico-assistenziale
Se fino a pochi anni fa ci si doveva basare solo sull’intuizione di esperti come Carlo Urbani, oggi avremmo a disposizione degli strumenti tecnologici che possono permettere di individuare precocemente e di contenere l’insorgere di una epidemia.
In questo senso grazie all’utilizzo di tecniche di intelligenza artificiale oggi siamo in grado di produrre modelli predittivi capaci di evidenziare la probabile evoluzione dell’epidemia individuando in anticipo i contesti territoriali o i settori che sono maggiormente suscettibili di sviluppare cluster e focolai. Questa previsione può essere realizzata facendo processare agli algoritmi non solo i dati epidemiologici e le caratteristiche della diffusione del virus, ma inserendo all’interno del database anche dati sulla mobilità, sui trasporti, sulle condizioni atmosferiche e sull’inquinamento dell’aria, sulle modalità organizzative del lavoro nei diversi settori e infine sulle caratteristiche urbanistiche dei diversi contesti.
Ma la previsione dei dati del contagio è solo il primo step di un processo che per completarsi deve poi integrare con un modello diagnostico-assistenziale che sia in grado di rispondere alle richieste di servizi di diagnosi, prognosi e cura sempre più efficaci, efficienti e di qualità per i positivi al Sars Cov2.
Lo sviluppo del fascicolo sanitario elettronico personalizzato per i positivi collegato a sistemi di supporto alle decisioni, consente di migliorare l’efficacia, l’efficienza e la qualità dei processi clinici e dei servizi erogati in quanto:
- favorisce la diffusione di modelli di prevenzionepuntuali e precisi;
- consente il collegamentotra i dati clinici individuali e le conoscenze cliniche;
- funge da base informativaper lo sviluppo di software specializzati nella gestione del paziente da Covid 19;
- garantisce una maggiore continuità assistenziale.
Il modello diagnostico-assistenziale che si può delineare è in grado di rispondere alle richieste di servizi di diagnosi, prognosi e cura sempre più efficaci, efficienti e di qualità per il paziente. L’ideazione di un sistema di telemedicina e di monitoraggio in remoto offre, poi, un supporto nella presa in carico sicura dei malati di Covid 19 consentendo di:
- garantire la continuità assistenziale ospedale-territorio;
- integrare interventi socio-sanitari;
- favorire il loro mantenimento nel proprio ambiente di vita il più a lungo possibile;
- tenere il più possibile il malato lontano dalle strutture ospedaliere, sia per evitare il sovraccarico degli ospedali, sia per evitare il rischio di contagio.
Algoritmi e servizi sanitari predittivi
Lo sviluppo di servizi predittivi, basati su algoritmi e modelli statistici e computazionali, offre ai clinici uno strumento di supporto (accessibile tramite applicazioni informatiche) nella identificazione di pazienti a rischio di aggravamento, permettendo di promuovere tempestivi e intensivi interventi personalizzati rivolti ai soggetti a più immediato rischio di sviluppare la forma grave malattia o le sue complicanze.
Fino ad oggi, quasi tutti i paesi interessati hanno affrontato la pandemia con misure drastiche di lockdown che si sono rivelate, almeno nel caso cinese prima ed europeo poi, molto efficaci nel fermare i contagi, ma a un costo economico e sociale che è ancora tutto da determinare. Quella del lockdown è però strategia costosa e poco sostenibile per lunghi periodi. È, quindi, necessario dotarsi gli strumenti tecnologici avanzati, early warning system, per contenere i contagi e anche per capire l’effetto delle misure e anche i margini per delle politiche di stop and go nel lockdown che da un lato mirano a contenere i contagi e dall’altro sono attenti a non uccidere l’economia.
Il modello di intervento TIOTT
Si può, quindi, delineare un modello di intervento tecnologico, costituito da quattro linee di azione, il cui acronimo potrebbe essere TIOTT (Tracciamento, Intelligenza artificiale, Organizzazione Territoriale, Terapie intensive)
La prima linea di azione potremmo definirla con il termine Tracciamento. Questo primo aspetto è la possibilità attraverso i sistemi di localizzazione gps, attraverso i dati della telefonia mobile e attraverso i dati delle transazioni digitali di tracciare potenzialmente ogni infetto e ogni contatto dell’infetto, potendo agire chirurgicamente per mettere in quarantena le persone, controllare il suo effettivo rispetto e interrompere velocemente le catene di contagio. Questa misura ha un costo sociale non banale, quello della limitazione del diritto alla privacy. Su questo punto bisogna indicare come criteri di gestione tre punti che rendono accettabile questa limitazione in presenza di un evento pandemico: la limitatezza temporale del provvedimento, la sicurezza dei big data conseguenti e la distruzione immediata degli archivi a epidemia conclusa. L’app Immuni, nata con questo scopo si è rivelata un fallimento, occorre forse cambiare strategia, utilizzando nel tracciamento soprattutto le tracce digitali che ognuno di noi lascia quando usa gli strumenti tecnologici, sia pur nel rispetto della privacy.
La seconda linea di azione potremmo definirla Intelligenza artificiale. Si tratta di addestrare un’intelligenza artificiale attraverso algoritmi di deep learning per prevedere l’evoluzione territoriale del contagio. Si tratta di raccogliere tutti i dati georeferenziati dei contagi che si sono avuti su base comunale e sub comunale in questa prima fase epidemica, collegandoli alle caratteristiche geomorfologiche del territorio, ai dati climatici, al sistema dei trasporti e alla struttura socioeconomica dell’economia. Addestrando un’intelligenza artificiale con questi dati si è in grado, nel caso di nuovi contagi, di prevedere in anticipo le modalità di diffusione del contagio su base territoriale, potendo mettere in atto misure molto più soft di lock down e di mitigazione del rischio di propagazione del contagio. Si ha, quindi, una mappa predittiva dello sviluppo dell’epidemia e si può intervenire chirurgicamente sul territorio. Un altro task di questa linea può essere legato all’utilizzo dell’intelligenza artificiale per la ricerca di nuove cure. In assenza di farmaci specifici non si può far altro che tentare di utilizzare off label farmaci esistenti. L’intelligenza artificiale ci permette di fare velocemente ed efficacemente questo screening. Un progetto di questo di tipo si sta già realizzando con il supercomputer italiano Marconi.
La terza linea di azione riguarda l’Organizzazione Territoriale dei servizi sanitari. I differenti tassi di letalità della malattia osservati nelle diverse regioni e nei diversi paesi e anche l’efficacia delle misure di contenimento sono strettamente legate alla capacità di risposta della sanità territoriale.
La quarta linea di azione è quella tradizionale, basata sulla stima della domanda di respiratori, sull’aumento del numero di posti di Terapia intensiva e sulla disponibilità di presidi per la sicurezza del personale medico, dei malati e dei cittadini.
Questo sistema potrebbe esser utilissimo per gestire la fase di uscita dalla pandemia, a seguito della vaccinazione di massa, ma potrebbe costituire anche la base di un piano pandemico moderno e tecnologico per evitare e/o contenere l’insorgere di future pandemie.
l’Autore: Domenico Marino – Università degli Studi Mediterranea di Reggio Calabria
fonte: Agenda Digitale
