Modelli predittivi per la gestione delle terapie annullate presso il Day Hospital Oncologico: applicazione di algoritmi di Intelligenza Artificiale

Razionale dell'esperienza

Il processo di analisi e di monitoraggio delle prestazioni annullate nel Day Hospital Oncologico dell’Istituto è di fondamentale importanza al fine di garantire una gestione ottimale delle risorse ospedaliere. L\'obiettivo principale è indagare come l\'intelligenza artificiale possa essere applicata per analizzare e interpretare i dati relativi alle prestazioni annullate nel contesto del Day Hospital oncologico, sviluppando un modello predittivo in grado di anticipare, con accuratezza, le prestazioni annullate in base a variabili quali: gruppo di patologia, terapia, prestazioni eseguite, prestazioni precedentemente annullate.

Descrizione sintetica

Nel contesto della ricerca sulle prestazioni annullate nel Day Hospital Oncologico è stato adottato l\'approccio del machine learning attraverso il quale si è sviluppato un modello predittivo, addestrato all’individuazione delle prestazioni annullate nell’anno 2022. Il database utilizzato consta di 24.046 osservazioni, ovvero tutte le prestazioni effettuate ed annullate in Day Hospital nell’anno 2022. Il database è stato diviso in n. 2 parti: una destinata all’apprendimento (che consta dell’80% degli episodi) con il quale sono stati addestrati n. 4 algoritmi di machine learning, e una destinata al test (restante 20% degli episodi) sul quale è stata effettuata la verifica del modello. Gli algoritmi sono stati in grado identificare le prestazioni annullate ed erogate, con un\\\'accuratezza dell\\\'93%, una precisione del 98% e una sensibilità del 52%.

Unità organizzative e target professionale coinvolti

Direzione Medica di Presidio, SSD Day Hospital Oncologico.

Orizzonte temporale/durata (in corso/conclusa; data di inizio, data di conclusione)

Lo studio è iniziato il 15/07/2023 e si è concluso il 30/08/2023.

Risorse e strumenti (RU, tecnologie, collaborazioni esterne, budget)

Nel lavoro, è stato utilizzato il linguaggio di programmazione Python per sviluppare e addestrare modelli di machine learning per la predizione degli annullamenti delle terapie nel day Hospital Oncologico. Sono state utilizzate le librerie: numpy, scikit-learn, pandas e matplotlib, per eseguire l’analisi dei dati, preparare le features, addestrare i modelli e infine valutarne le performance.

Punti di forza

L\'accuratezza del 93% e la precisione del 98% ottenute dal modello di intelligenza artificiale sono un risultato che dimostra la buona capacità del sistema di effettuare previsioni corrette nell\'analisi delle prestazioni nel Day Hospital Oncologico. Questo indica che il modello è affidabile nell\'effettuare previsioni complessive, considerando sia i veri positivi (terapie annullate) che i veri negativi (terapie erogate).

Criticità ed eventuali soluzioni adottate per superarle

Le prestazioni annullate sono una piccola percentuale del totale: questo comporta una limitata esperienza della macchina nella loro identificazione. Ulteriori miglioramenti potrebbero essere apportati ottimizzando gli iperparametri dei modelli, aumentando le variabili del database o considerando altre tecniche di feature engineering.

Indicatori di risultato

Accuratezza (Accuracy). L\'accuratezza è una delle metriche fondamentali per valutare l\'efficacia di un modello predittivo. Rappresenta la percentuale di previsioni corrette rispetto al numero totale di previsioni effettuate dal modello. Sensibilità (Recall). La sensibilità, noto anche come recall o true positive rate, è una metrica importante per valutare la capacità del modello di individuare correttamente i veri positivi (caso positivo previsto correttamente). Valore Predittivo Positivo (Precision). Il valore predittivo positivo, conosciuto anche come precisione, misura la percentuale di casi positivi previsti correttamente rispetto al numero totale di casi positivi previsti dal modello.

Risultati conseguiti/Follow up

La IA ha dimostrato una solida capacità di effettuare previsioni accurate nell'analisi delle prestazioni nel Day Hospital oncologico, raggiungendo un'accuratezza del 93% e una precisione del 98%. Questo risultato conferma l'affidabilità del modello nel fornire previsioni globalmente attendibili, considerando sia i casi correttamente identificati come annullamenti (veri positivi) che quelli correttamente identificati come terapie erogate (veri negativi). Tuttavia, è importante notare che il valore di recall del 52% indica una leggera limitazione nella capacità del modello di individuare in modo completo gli annullamenti delle terapie effettivi. Ciò suggerisce che il modello potrebbe aver mancato di riconoscere alcuni casi di annullamenti delle terapie, erroneamente classificandoli come terapie erogate (falsi negativi).

Evoluzione/sviluppi previsti

Si prevede di sviluppare ulteriormente l’algoritmo di IA attraverso l’utilizzo di database più ampiamente dettagliati e contenenti un maggior numero di informazioni cliniche, come ad esempio esiti di esami ematochimici, diagnosi clinica precisa, età del paziente, sesso e residenza; attraverso le moderne tecnologie di data warehouse. Lo sviluppo di un software e il suo impiego nella creazione delle agende del Day Hospital Oncologico potrebbe garantire un miglior utilizzo delle risorse ospedaliere, un’ottimizzazione delle stesse e un miglioramento dell’esperienza del paziente.