Uno dei dati demografici in maggiore crescita nell'UE sono gli individui di età pari o superiore a 65 anni, e due terzi di questo gruppo sono in situazione di multimorbilità, cioè., persone che soffrono di due o più malattie croniche. Il trattamento inefficace della multimorbilità è stato indicato come un problema urgente da affrontare dall'Accademia delle scienze mediche in un rapporto pubblicato di recente. Nell'ambito di un progetto finanziato dall'UE H2020 chiamato ProACT, il nostro team presso IBM Research – Ireland sta lavorando con partner del mondo accademico e industriale per trovare nuovi modi di utilizzare l'IoT, Tecnologie di intelligenza artificiale e cloud per migliorare le capacità di autogestione e l'assistenza integrata domiciliare per le persone con multimorbilità (PwM).

Il progetto ProACT sta studiando modi indossabili, i sensori domestici e le applicazioni per tablet possono essere utilizzati per aiutare le persone con multimorbilità, così come i loro attori di supporto, che includono caregiver informali (ad esempio familiari e amici), assistenti formali e operatori sanitari (compresi medici e infermieri), gestire una combinazione di condizioni tra cui insufficienza cardiaca cronica (CHF), diabete e broncopneumopatia cronica ostruttiva (BPCO).

Il progetto include prove di prova in Irlanda e Belgio, coinvolgendo i servizi sanitari nazionali, con un numero di pazienti dotati di sensori indossabili e domiciliari, e i loro attori di supporto. Le prove iniziano ora. I pazienti stanno imparando a utilizzare ProACT CareApp, che aggrega le letture dei sensori e consente alle PwM e ai loro attori di supporto di monitorare il loro stato, e suggerisce anche video didattici e tutorial su misura per le esigenze di autogestione. L'interfaccia utente di ProACT CareApp è stata co-progettata con il coinvolgimento di PWM per garantire facilità d'uso. L'obiettivo principale della nostra ricerca è utilizzare i dati raccolti per sviluppare un modello olistico di PwM che possa essere utilizzato per monitorare e prevedere la salute e il benessere delle PwM.

Nell'ambito di ProACT, il nostro team di sistemi di conoscenza incentrati sulla salute e sulla persona a Dublino sta costruendo un modello olistico per le persone con multimorbilità, utilizzando i dati sulle condizioni, vitali, autovalutazioni e valutazioni comportamentali. Il modello si basa su una rete bayesiana, uno strumento grafico probabilistico che è stato ampiamente applicato nel supporto alle decisioni sanitarie. Rappresenta la dipendenza probabilistica tra più variabili, che permette di prevedere lo stato più probabile di una variabile conoscendo lo stato di altre variabili. Lo rende una tecnica promettente per aiutare con le sfide della multimorbilità.

Nel nostro documento della conferenza MIE 2018 (Medical Informatics Europe) "Un metodo analitico per la gestione della multimorbilità utilizzando le reti bayesiane, " presentiamo la nostra analisi chiamata Health and Wellness Profile Builder (HWProfile), che viene testato durante le prove ProACT. HWProfile è un modello AI volto a rappresentare un PwM attraverso diverse dimensioni interconnesse:demografia, fattori medici, autovalutazioni e fattori comportamentali. Lo stato della PwM viene valutato attraverso i sensori e i questionari self-report presi attraverso la ProACT CareApp. Le domande quotidiane sono un metodo prezioso per raccogliere un'ampia varietà di informazioni di autovalutazione come i punteggi della dispnea per BPCO e CHF, livelli di umore e ansia o informazioni sull'aderenza ai farmaci.

Per sviluppare il modello HWProfile abbiamo selezionato variabili che coprono diverse dimensioni:salute/medicina, stile di vita, psicologico, benessere, sociale e comportamentale, oltre a identificare l'intervallo di valori che queste variabili possono raggiungere. Quindi il modello ha dovuto apprendere automaticamente le relazioni di probabilità condizionale che esistono tra le variabili, dal punto di vista strutturale, oltre che dal punto di vista numerico. Come fa il genere, l'età e la sofferenza dell'artrite influiscono sul rischio di caduta? Qual è il beneficio atteso di aumentare l'attività fisica a livello di dolore per le donne con BPCO? Questi sono il tipo di domande che HWProfile può aiutare a risolvere.

Abbiamo addestrato il modello utilizzando i dati estratti da TILDA, un set di dati aperto raccolto da uno studio longitudinale sulla salute della popolazione irlandese più anziana, guidato dal Trinity College. Nello studio TILDA, 8504 persone di età superiore ai 50 anni hanno preso parte a un questionario autocompilato, un colloquio assistito da computer e una valutazione della salute. Per testare la metodologia su un piccolo modello, il nostro team ha selezionato 12 variabili da questo set di dati, considerando la popolazione target e le condizioni trattate negli studi ProACT e i metodi di raccolta dati utilizzati:controllo della pressione sanguigna, scala, questionario di attività. Questo modello addestrato è stato utilizzato come base per sviluppare HWProfile (vedere la Figura 1).

Per esplorare il modello di rete bayesiana, abbiamo costruito un'interfaccia utente intuitiva e interattiva. Le variabili ei loro livelli associati sono raggruppati per categorie codificate a colori (vedi Figura 1). La rete bayesiana mostra come le variabili si influenzano a vicenda. Le distribuzioni di probabilità discrete corrispondenti a ciascuna variabile sono raggruppate per riquadri nel pannello interattivo dei rischi (a destra della Figura 1). Per una data variabile, le probabilità marginali di ogni possibile livello sono indicate sia in percentuale che tramite un grafico a barre orizzontale sullo sfondo.

L'utente può assegnare un livello "osservato" a qualsiasi variabile, cliccando sul livello. L'intero set di probabilità marginali viene quindi aggiornato per riflettere queste osservazioni. Fare nuovamente clic su una variabile osservata la riporta allo stato non osservato, con probabilità marginali visualizzate. Figura 1, Giusto, mostra l'interfaccia dopo che l'età è stata impostata su "sopra i 70" e il livello di colesterolo su "più di 5 mmol/L". La risultante variazione delle probabilità per tutte le variabili connesse, come l'ipertensione, si vede subito.

Il modello HWProfile fornisce una varietà di output, comprese le stime probabilistiche per tutte le variabili non osservate ogni volta che viene effettuata una nuova osservazione. Questi output possono essere alimentati ad altre analisi del sistema ProACT, che includono un obiettivo e un suggerimento per l'istruzione, un sistema di allerta e un monitor di esacerbazione delle condizioni. Il nostro modello di intelligenza artificiale mira a sfruttare tutte le informazioni disponibili sulla PwM nell'ambito di ProACT al fine di fornire approfondimenti sul loro stato e raccomandazioni per l'autogestione e/o il supporto e la cura.

Il nostro team di ricerca IBM ha anche sviluppato InterACT, una piattaforma basata su cloud nell'ambito di ProACT. Interagire, costruito su IBM Cloud, è esposto come un insieme di servizi autenticati per gestire i dati sanitari anonimizzati e coordinare la collaborazione tra i fornitori di dati, analisi dei dati (come prima menzionato HWProfile) e consumo di dati.

Il lavoro futuro consiste nell'indagare la validità clinica del modello. Abbiamo osservato effetti tra le variabili nel nostro modello preliminare che concordano con la letteratura medica. Ulteriori sviluppi includono anche l'analisi delle prestazioni del metodo per una rete più ampia, inclusione della dimensione temporale e diverse frequenze di campionamento per variabile. Il modello HW Profile sarà valutato insieme al lavoro aggiuntivo sui sistemi di raccomandazione sviluppati nell'ambito del progetto ProACT.