In che modo l’intelligenza artificiale può supportare gli operatori addetti al triage?
Le tecnologie basate sull’intelligenza artificiale promettono di produrre cambiamenti sostanziali in molti settori della medicina, compreso il campo dell’emergenza-urgenza. Ma cosa si intende per intelligenza artificiale? In sintesi, l’intelligenza artificiale (d’ora in avanti IA) è un settore dell’informatica che sviluppa algoritmi per imitare le funzioni cognitive umane, come l’apprendimento, il ragionamento e la risoluzione dei problemi.[1]
Ad oggi, esiste un piccolo ma crescente numero di ricerche che valutano l’IA applicata all’emergenza sanitaria. Una delle applicazioni possibili è la definizione delle priorità dei pazienti durante il triage, sia in ambito ospedaliero che extraospedaliero. Un triage efficace è fondamentale per valutare e classificare rapidamente i pazienti in base alle loro condizioni e alle loro possibilità di sopravvivenza. Al contrario, un triage insufficiente (under-triage) può mettere in pericolo la vita del paziente a causa del mancato o ritardato intervento assistenziale mentre un triage eccessivo (over-triage) può assorbire inutilmente risorse sanitarie o ritardare l’assistenza ai pazienti più gravi, mettendo indirettamente a rischio vite umane.
I vantaggi e le possibili applicazioni dell’intelligenza artificiale nel triage in emergenza sono numerosi, vediamo di seguito alcuni brevi esempi.
Triage in Pronto Soccorso
All’arrivo al pronto soccorso, i pazienti vengono classificati in base alla gravità della loro condizione, al fine di fornire un trattamento rapido a coloro che necessitano di un intervento medico immediato. Gli attuali sistemi di triage in Pronto Soccorso hanno una capacità non ottimale di differenziare i pazienti critici a causa di segni o sintomi che sono spesso di difficile interpretazione. Ciò si traduce in ritardi nelle cure mediche e in un peggioramento dei risultati per i pazienti. Modelli avanzati di IA basati su grandi volumi di dati clinici storici potrebbero consentire di superare questo ostacolo. Infatti, un notevole vantaggio dell’IA è la sua capacità di elaborare enormi volumi di dati in tempo reale, fornendo ai team di risposta alle emergenze informazioni accurate e tempestive, migliorando il processo decisionale. Un sottotipo di IA, noto come machine learning (in italiano, apprendimento automatico) è sperimentato per la funzione di triage in diversi ospedali del mondo. Il sistema può supportare gli infermieri nel processo decisionale, analizzando segni vitali, anamnesi e sintomi, ottenendo livelli più alti di accuratezza e previsione rispetto ai modelli tradizionali.[2] Gli algoritmi possono aiutare a differenziare maggiormente le priorità dei pazienti soprattutto rispetto al codice verde che, essendo quello di più frequente assegnazione, non consente di differenziare adeguatamente i pazienti, esponendoli al rischio di eventi sfavorevoli. Questi sistemi promettono di ridurre gli errori umani, i tempi e i costi e migliorare la qualità dei servizi di assistenza.[3] Anche se i risultati ottenuti finora sono molto promettenti, si rendono necessarie ancora ulteriori ricerche e miglioramenti prima dell’effettiva applicazione di questi strumenti in contesti clinici reali.[4]
Triage nel Servizio 118
Anche in ambito preospedaliero gli attuali sistemi di triage utilizzati per determinare il livello di priorità in un caso di emergenza non sempre sono accurati. Sebbene siano disponibili protocolli per guidare il processo decisionale degli operatori di Centrale, questi hanno difficoltà a determinare la gravità di un caso con le informazioni limitate che hanno a disposizione, compromettendo la qualità del triage e l’utilizzo delle risorse. Per esempio, gli studi internazionali dimostrano che circa il 25% degli arresti cardiaci extraospedalieri non vengono riconosciuti dagli operatori di centrale,[5] perdendo così l’opportunità di fornire al chiamante le istruzioni per la rianimazione cardiopolmonare e la defibrillazione. L’IA ha il potenziale per assistere il processo decisionale degli operatori per i casi di sospetto arresto cardiaco; sono già allo studio sistemi per cui quando un passante o una vittima chiama i servizi di emergenza, l’IA funge da assistente dell’interlocutore dei servizi di emergenza, ascoltando eventuali parole o segnali particolari in ciò che il chiamante sta dicendo per aiutare a rilevare più rapidamente un potenziale arresto cardiaco, riducendo i casi di arresto cardiaco non rilevati.[6] Il sistema, che ha prodotto risultati ottimali in uno studio condotto sull’archivio delle chiamate,[7] non ha prodotto un miglioramento significativo nella capacità degli operatori di centrale di riconoscere l’arresto cardiaco quando utilizzato in tempo reale.[8] L’assenza di un miglioramento significativo è stata attribuita a fattori umani nell’interazione con il sistema. Ciò pone di fronte al tema delle competenze digitali e dell’aggiornamento del personale in materia, sia per chi è già attivo sul fronte lavorativo, sia per gli studenti. L’uso degli strumenti intelligenza artificiale richiede che il personale abbia le competenze adeguate per esprimere giudizi sull’utilità delle informazioni generate dalla soluzione di intelligenza artificiale.[9]
In un analogo studio il sistema di IA si è dimostrato più efficace degli operatori umani nel riconoscere, durante le chiamate ai servizi di emergenza, i pazienti con ictus.[10]
Uno studio[11] condotto a Singapore ha valutato 360.000 chiamate ricevute del National Emergency Call Center di Singapore dal 2018 al 2020, utilizzando la stessa quantità di informazioni utilizzata dagli operatori al momento della chiamata. Il modello di apprendimento automatico ha ottenuto una riduzione del 15% del tasso di over-triage, mantenendo un tasso simile di under-triage. Questo modello ha dimostrato di avere il potenziale per essere utilizzato come strumento di supporto decisionale per gli operatori della Centrale Operativa per ottimizzare il triage pre-ospedaliero, consentendo al contempo una migliore gestione delle ambulanze.
I sistemi di AI possono essere utilizzati anche in un’ottica predittiva. Un algoritmo potrebbe calcolare la probabilità o il rischio di incidenti in un dato territorio o in un dato periodo ai fini di una più funzionale distribuzione delle ambulanze.[12]
Quali rischi?
Nonostante la ricerca sia in rapida crescita le applicazioni basate sull’IA nella medicina d’urgenza mancano ancora di un’adeguata convalida e valutazione, eseguita in modo rigoroso e indipendente.[13]
Esistono inoltre ostacoli all’implementazione di questa tecnologia in contesti reali. Questi includono preoccupazioni circa la responsabilità per gli errori medici legati all’IA, la regolamentazione dal punto di vista legale e la mancanza di “spiegabilità” di come l’IA abbia raggiunto le sue conclusioni.[14]
Per ovviare a queste difficoltà è attualmente allo studio del Parlamento Europeo una apposita norma (“AI Act”) per la regolamentazione dell’IA in tutti i suoi vari aspetti, compreso quello sanitario.
In un altro articolo abbiamo parlato dei rischi dell’intelligenza artificiale in sanità (link).
Siamo anche su Facebook (qui). Puoi condividere questo articolo attraverso i pulsanti che trovi in basso.
BIBLIOGRAFIA
[1] McCarthy J, Minsky M, Rochester N, Shannon C. “A proposal for the Dartmouth summer research project on artificial intelligence”. AI Magazine. 2006;27(4):12
[2] Sánchez-Salmerón R, Gómez-Urquiza JL, Albendín-García L. et al. “Machine learning methods applied to triage in emergency services: A systematic review”. Int Emerg Nurs. 2022;60:101109 (link)
[3] Fei Gao, Baptiste Boukebous, Mario Pozzar et al. “Predictive Models for Emergency Department Triage using Machine Learning: A Systematic Review”. Obstetrics and Gynecology Research 5 (2022): 136-157
[4] Gumhee Baek, Dain Baik, Nayeon Yi et al. “The effects of triage applying artificial intelligence on triage in the emergency department: A systematic review of prospective studies”, 30 August 2023, PREPRINT (Version 1) available at Research Square (link)
[5] Blomberg SN, Folke F, Ersbøll AK, et al. “Machine learning as a supportive tool to recognize cardiac arrest in emergency calls”. Resuscitation. 2019 May;138:322-329
[6] European Commission. “Artificial Intelligence for Emergency Medical Services: a smart digital assistant for faster and more accurate cardiac arrest recognition during emergency calls”. CORDIS EU research (link)
[7] Blomberg S.N., Folke F., Ersbøll A.K., et al. “Machine learning as a supportive tool to recognize cardiac arrest in emergency calls”. Resuscitation. 2019 May;138:322-329
[8] Blomberg SN, Christensen HC, Lippert F. et al. “Effect of Machine Learning on Dispatcher Recognition of Out-of-Hospital Cardiac Arrest During Calls to Emergency Medical Services: A Randomized Clinical Trial”. JAMA Netw Open. 2021 Jan 4;4(1):e2032320
[9] OECD “Collective action for responsible ai in health. OECD artificial intelligence papers”. January 2024 No. 10. Pag. 21
[10] Ambrosino F. “Chiamate al 118, un modello di intelligenza artificiale potrebbe riconoscere gli ictus”. Sito web Cardioinfo, 29 Maggio 2023
[11] Han Wang, Qin Xiang Ng, Shalini Arulanandam et al. “Building a Machine Learning-based Ambulance Dispatch Triage Model for Emergency Medical Services”. Health Data Sci. 2023;3:0008 (link)
[12] Menke et al., 2014; Ram et al., 2015
[13] Chenais G, Lagarde E, Gil-Jardiné C. “Artificial Intelligence in Emergency Medicine: Viewpoint of Current Applications and Foreseeable Opportunities and Challenges”. J Med Internet Res. 2023 May 23;25
[14] Grant K, McParland A, Mehta S, Ackery AD. “Artificial intelligence in emergency medicine: surmountable barriers with revolutionary potential”. Ann Emerg Med. 2020;75(6):721–6
