In un momento di grande trasformazione per la sanità, trainata dall’introduzione di tecnologie innovative e intelligenza artificiale, i dati real world rappresentano un pilastro fondamentale per la programmazione sanitaria, anche se il loro utilizzo si scontra con una serie di criticità: privacy, qualità dei dati, interoperabilità degli stessi e creazione di una catena di valore.
Il tema è stato al centro del secondo appuntamento di ARTIHS – Artificial Intelligence & Healthcare System, il nuovo ciclo di webinar di INNLIFES che punta a esplorare gli aspetti salienti dell’intelligenza artificiale in ambito sanitario.
Partendo dal presupposto che ciò che non è misurabile non è governabile, il dato sanitario ha acquisito crescente importanza in uno scenario in radicale evoluzione. Per quanto riguarda l’evoluzione dei dati in sanità, nell’ultimo anno diverse sono state le iniziative finalizzate ad assicurarne una maggiore fruibilità.
Il dato è difatti il nuovo oro, che interviene in modo significativo in numerosi processi: dall’organizzazione della farmacia ospedaliera alla programmazione sanitaria alla ricerca. In questo i dati real world consentono analisi più accurate acquisendo maggiore centralità. L’obiettivo però non è solo raccogliere queste informazioni ma di trasformarle in evidenze (real world evidence) che possano supportare i processi decisionali a tutti i livelli.
Tuttavia, l’accesso a questi dati viene ostacolato da GDPR e dal regolamento Privacy, rallentando così progetti di ricerca e, più in generale, l’accesso ad informazioni determinanti in ambito sanitario.
Questi temi sono stati al centro del secondo appuntamento di ARTIHS – Artificial Intelligence in Healthcare, nuovo ciclo di webinar INNLIFES inaugurato lo scorso luglio, dal titolo “RWE e AI: come utilizzare il dato per migliorare le decisioni delle strutture sanitarie”.
Il webinar – organizzato da INNLIFES e Agora Labs – ha visto la partecipazione di: Vito Ladisa, direttore della Farmacia Ospedaliera all’Irccs Istituto Nazionale dei Tumori di Milano, Andrea Marcellusi, professore associato presso il Dipartimento di Scienze Farmaceutiche dell’Università di Milano e presidente di ISPOR Italy, Giorgia Zunino, direttrice scientifica di Fondazione Hedu-x e dirigente dell’Ospedale Policlinico San Martino di Genova, e Davide Zaccagnini, CEO & founder di Agora Labs.
Dati e IA nell’organizzazione della Farmacia Ospedaliera
In questo momento il SSN vede davanti a sé una serie di sfide: una forte pressione determinata dall’invecchiamento della popolazione e dai crescenti bisogni di salute, legati in particolare all’incremento delle cronicità, e l’evoluzione tecnologica.
«A oggi i dati e l’IA nell’ambito della farmacia ospedaliera», ha spiegato Vito Ladisa, «sono necessari a prevenire e prevedere, ossia essere pronti all’accesso di una nuova tecnologia e far sì che i pazienti possano riceverla in maniera uniforme ed equa su tutto il territorio.
Al momento tra i maggiori problemi che si riscontrano, si evidenzia l’impossibilità di integrare i dati: dato clinico, dato di spesa, dato di consumo e sarà proprio in questo senso che l’AI dovrà fornirci un supporto. La capacità di integrare grandi volumi di dati consentirà una migliore efficienza grazie a decisioni basate sull’evidenza».
Altresì, cruciale in tal senso che i nuovi strumenti di IA possano aiutare i pazienti a ricevere le terapie migliori al momento giusto e al miglior costo.
Il ruolo di RWD e ICER per la programmazione sanitaria
L’intervento di Andrea Marcellusi si è concentrato sull’importanza dei dati real world per la programmazione sanitaria. Quando un nuovo farmaco viene introdotto, è essenziale determinarne: valore economico e sostenibilità.
In tal senso viene usata l’analisi di costo-efficacia che mette a confronto l’efficacia e i costi della nuova tecnologia rispetto a quella standard.
Un indicatore chiave in questa valutazione è l’ICER – Incremental Cost-Effectiveness Ratio, che indica quanto è necessario investire per ottenere un anno aggiuntivo di vita in buona salute per i pazienti.
Tuttavia, la costo-efficacia da sola non contempla tutti gli aspetti che non sono squisitamente economici, ma è necessario valutare anche la sostenibilità a livello locale e regionale. Per questo si utilizzano strumenti come l’analisi di budget impact.
«In tal senso conoscere la popolazione dei pazienti per una specifica patologia, la popolazione che potrà essere trattata con il nuovo farmaco, risulta determinante. Pertanto, il dato real world è cruciale anche per valutare come le nuove tecnologie o strategie eventuali di prevenzione – come un vaccino – possano impattare sull’incidenza di una patologia piuttosto che sui costi di ospedalizzazione».
L’analisi dei RWD, per esempio, ha confermato l’efficacia del vaccino HPV nel ridurre le ospedalizzazioni per condilomi, dimostrando l’impatto positivo della vaccinazione sulla salute pubblica e sui costi sanitari. Inoltre, i RWD possono essere utilizzati per calibrare i modelli economici e validare le previsioni basate sulla letteratura.
Sfide da superare per l’accesso ai dati
I RWD rappresentano dunque una indiscussa opportunità «anche se numerose sono le sfide aperte: la privacy, la qualità e la standardizzazione dei dati, l’interoperabilità, la mancanza di standard di riferimento e la fusione di dati provenienti da fonti diverse», ha ricordato Giorgia Zunino.
In questo senso l’Europa sta supportando questa transizione con il Quality Framework, l’AI Act, lo European Health Data Space (EHDS), l’Electronic Identification and Trust Services (eIDAS) e l’uso di sandbox regolamentari volti a favorire l’innovazione in sanità.
Il valore della privacy differenziale
Davide Zaccagnini, CEO and Founder di Agora Labs, una startup che ha creato un meccanismo avanzato di anonimizzazione del dato, ha sottolineato i 4 principali problemi legati all’utilizzo dei dati e le soluzioni in atto. Il dato rappresenta la benzina del sistema il cui pieno dispiegamento è oggi ostacolato da 4 fattori: privacy, quality, scalability e value.
Per quanto riguarda il primo punto la privacy differenziale è l’unico meccanismo che impedisce la re-identificazione del paziente; il problema della qualità del dato può essere oggi risolta dai Large Language Model. In questo modo si risolvono problemi relativi all’accesso, all’usabilità, al valore del dato, permettendo evidenze cliniche di qualità.
