Un paziente al pronto soccorso, in terapia intensiva e in altri ambienti di cura è spesso collegato ad apparecchiature di monitoraggio come monitor cardiaci o ventilatori, che acquisiscono una serie di punti di dati medici : frequenza cardiaca, frequenza respiratoria, livelli di saturazione di ossigeno, temperatura corporea e altro. Lo studio di questi numeri nel tempo può fornire informazioni vitali sui modelli fisiologici del corpo che indicano un imminente deterioramento come arresti cardiaci, depressione respiratoria e ictus.
Sfortunatamente, nella maggior parte dei casi, i professionisti medici non sono in grado di sfruttare tali dati perché la maggior parte delle informazioni provenienti dai dispositivi medici è transitoria. Pochissimi dati del dispositivo al posto letto arrivano all’EHR e il resto viene eliminato una volta che un paziente viene rimosso dal monitor. Quando un paziente viene trasferito in un’altra unità, non esiste un modo semplice per i membri del team di assistenza di trasmettere i dati storici al nuovo team di assistenza. Mentre infermieri o medici potrebbero registrare note di eventi, mancano informazioni fisiologiche dettagliate. In effetti, i professionisti medici possono solo dire che si è verificato un evento; non possono svelare il perché o il come.
Integrazione dei dati lungo il percorso del paziente
Uno degli obiettivi primari di Medical Informatics Corp (MIC) è quello di aggregare questi dati del paziente per consentire l’accesso remoto e fornire avvisi tempestivi ai medici sugli eventi imminenti. Questo ambizioso obiettivo ha incontrato i primi problemi quando il fondatore di MIC, Emma Fauss, PhD, ha scoperto che i sistemi di raccolta dati esistenti utilizzano formati proprietari che li rendono poco maneggevoli da integrare. La raccolta dei dati non viene eseguita in massa. “Non c’era nemmeno modo di prendere un algoritmo e renderlo operativo in un’infrastruttura ospedaliera esistente, in modo da poterlo effettivamente distribuire su larga scala su migliaia di letti con flussi di lavoro standardizzati”, ha affermato Fauss.
MIC ha scoperto di dover risolvere un problema end-to-end: dall’acquisizione (pulita) dei dati al monitoraggio remoto basato su software fino allo sviluppo di un’intelligenza artificiale scalabile che può quindi essere reinserita in un flusso di lavoro standardizzato. Questo è ciò che fa la piattaforma clinica Sickbay, la soluzione RTCS (Real Time Clinical Surveillance-as-a-Service) scalabile e approvata dalla FDA: integra i dati dei dispositivi medici , li sblocca per un’assistenza virtuale flessibile su tutte le linee di servizio e utilizza l’intelligenza artificiale (sia supervisionati che non supervisionati) per fornire approfondimenti ai medici.
“Ci concentriamo in particolare sui dati dei dispositivi delle serie temporali, comprese le forme d’onda e i modelli fisiologici e i dati provenienti dal paziente. È uno spazio completamente inesplorato”, ha detto Fauss, “è una specie di area oceanica blu per l’esplorazione e lo sviluppo”.
Modelli di intelligenza artificiale e casi d’uso di monitoraggio
Gli algoritmi di intelligenza artificiale di MIC si addestrano sui dati dei pazienti , nel rispetto dei protocolli stabiliti dall’Health Insurance Portability and Accountability Act (HIPAA). Mentre MIC può funzionare con modelli supervisionati e non supervisionati, gli algoritmi che prevedono eventi sanitari come eventi cardiaci si basano su modelli supervisionati. Lavorando al Texas Children’s Hospital con i medici del Baylor College of Medicine, il MIC ha contribuito a sviluppare un’analisi in grado di prevedere l’arresto cardiaco o respiratorio nei bambini con cuore a ventricolo singolo una o due ore prima.
Il MIC si impegna a sviluppare l’intelligenza artificiale specifica per il paziente e a fornire set di strumenti per gli ospedali e a consentire ai sistemi sanitari di crearne uno proprio, comprendendo i modelli fisiologici associati a condizioni specifiche e quindi sviluppando algoritmi che possono essere utilizzati per monitorare i pazienti con fattori di rischio qualificanti.
L’ intelligenza artificiale è in grado di rilevare il rapido deterioramento dei principali indicatori fisiologici e anche di colmare le lacune quando i pazienti vengono monitorati per giorni o settimane. “Nelle unità, se c’è un cambio di turno ogni 12 ore, se il deterioramento è abbastanza lento per molti giorni, potresti non vedere che sta succedendo perché il tuo tempo a guardare il paziente è troppo breve. Questa è proprio la natura del lavoro a turni”, ha detto Fauss. L’intelligenza artificiale aiuta a colmare queste lacune e fornisce calcolatori del punteggio di rischio per i pazienti sulla base dei dati del dispositivo integrato.
La piattaforma clinica Sickbay consente non solo il monitoraggio di un singolo paziente, ma anche il monitoraggio remoto di più pazienti su larga scala. “Potrebbe significare che hai un centro di comando virtuale con monitor virtuali che monitorano le analisi eseguite sui pazienti. Non devi essere al capezzale per il monitoraggio di routine”, ha sottolineato Fauss. È uno strato di protezione aggiuntivo che i medici apprezzano. Houston Methodist, ad esempio, ha lanciato un’unità di terapia intensiva virtuale nel 2020 che consente il monitoraggio a distanza di tutti i pazienti in terapia intensiva. Gli algoritmi del MIC (l’ospedale ne gestisce quasi 20 diversi) e la visualizzazione dei dati consentono alla struttura medica di monitorare attentamente i segni vitali e di essere informata di eventi problematici molto prima che si verifichino. L’intelligenza artificiale aumenta il processo decisionale e aiuta i team di assistenza a intervenire più rapidamente quando necessario.
Sickbay di MIC si integra con molti dispositivi medici e fornisce un insieme coerente di dati per l’analisi. È un problema complesso data la varietà di dispositivi medici, stack tecnologici e metodi per salvare le cartelle cliniche elettroniche. Fauss spera che il livello di orchestrazione di Sickbay renda l’ accesso alle applicazioni AI molto più semplice e veloce. “Se siamo in grado di abbattere le barriere all’adozione di questa tecnologia basata sui dati e incentrata sul paziente, possiamo far progredire lo standard di cura”, ha affermato Fauss.
