Il futuro e' nel Population Health Management

GRAZIE ALLA SEMPRE MAGGIORE QUANTITA' DI DATI A DISPOSIZIONE E AL MIGLIORAMENTO DEI MODELLI COMPUTAZIONALI, L'APPROCCIO PHM POTRA' SVILUPPARE IL PROPRIO POTENZIALE PER ESEMPIO NELLO STRATIFICARE I GRUPPI DI PAZIENTI E IDENTIFICARE QUELLI AD ALTO RISCHIO

di Lucia Ferrara, SDA professor of practice di Healthcare management

L’invecchiamento della popolazione e l’aumento delle persone affette da patologie croniche e multi-morbidità non sorprende. Lo sviluppo di interventi personalizzati e di sanità di iniziativa in base ai diversi livelli di bisogni e di rischio diventa quindi fondamentale.
Un grande potenziale nella direzione della personalizzazione e dello sviluppo di interventi mirati deriva dagli approcci di Population health management (PHM) e dall'analisi di grandi quantità di dati a livello di singolo paziente, i quali permettono di analizzare e seguire come i pazienti si muovono tra molteplici erogatori e setting, tra ospedale, territorio, cure primarie, servizi di salute mentale, ecc. Il PHM è un approccio proattivo alla gestione della salute e del benessere della popolazione che impiega strumenti analitici (quali per esempio modelli di segmentazione e stratificazione del rischio) per identificare i pazienti, stratificarli in gruppi di persone con caratteristiche simili (ad esempio persone fragili con molteplici esigenze sanitarie complesse o persone sane) e progettare percorsi mirati e servizi personalizzati. L’uso di approcci di PHM consente, altresì, di definire efficacemente le priorità, concentrandosi sull'identificazione dei pazienti ad alto rischio di sviluppare complicanze, così da definire modelli di sanità di iniziativa volti a ridurre o posticipare eventi avversi come l'ospedalizzazione o la morte.

Esistono diverse esperienze di PHM sia a livello domestico che internazionale. Diverse regioni italiane stanno, per esempio, studiando e sperimentando algoritmi e modelli per supportare l'identificazione dei pazienti, la segmentazione e la selezione dei pazienti per programmi di cura specifici. In Veneto, il sistema ACG è utilizzato per stratificare la popolazione in sottogruppi con bisogni simili; in Toscana, un algoritmo ad hoc basato sul consumo di risorse e sull’uso dei database amministrativi viene utilizzato per identificare i pazienti complessi; in Emilia-Romagna, il modello risk-ER viene applicato per prevedere il rischio di ricoveri ospedalieri o di morte a un anno. Esperienze simili si ritrovano anche a livello internazionale in Svezia, Germania, Paesi Bassi, Canada, Stati Uniti e Regno Unito.
Nonostante da numerosi anni siano stati sviluppati modelli e framework per il PHM, gli algoritmi utilizzati finora in molte delle esperienze citate si basano ancora su un numero limitato di variabili, su dati prevalentemente amministrativi e sono utilizzati principalmente per descrivere le caratteristiche della popolazione di riferimento piuttosto che per predirne i bisogni futuri. L’applicazione di modelli predittivi per stimare il rischio a livello di popolazione è relativamente nuovo rispetto ad altre aree cliniche ed è un aspetto particolarmente interessante di questi approcci.

Guardando al futuro, grazie alla crescente potenza computazionale, i metodi di machine learning e i modelli predittivi offrono un grande potenziale per informare lo sviluppo di interventi proattivi, predire il futuro uso di risorse e valutare l'impatto delle politiche e dei programmi sanitari. Per esempio, negli Stati Uniti sono stati recentemente condotti diversi studi che utilizzano algoritmi di machine-learning per prevedere il futuro uso delle risorse. Anche se il sistema sanitario italiano è molto diverso da quello americano, ci si domanda se simili algoritmi utilizzati per predire i costi negli Stati Uniti possano essere applicati in Italia per identificare i pazienti a rischio, ridurre la degenza e i ricoveri non programmati e migliorare i tassi di riammissione. Futuri progetti di machine-learning potrebbero, inoltre, potenzialmente incorporare insiemi di dati più ampi e caratteristiche non tradizionali, come i dati provenienti da App e eHealth, social media e modelli di ricerca sul web. Per sbloccare il potenziale di tali modelli predittivi a supporto degli approcci di popolazione la tecnologia non basta ma è necessaria la giusta combinazione di dati, tecnologia e competenze professionali. Per il momento, ciò che diventerà realtà e ciò che rimarrà utopia è ancora oggetto di discussione.