Se gli operatori sanitari potessero prevedere con precisione come verrebbero utilizzati i loro servizi, potevano risparmiare ingenti somme di denaro non dovendo stanziare fondi inutilmente. I modelli di intelligenza artificiale di deep learning possono essere utili per prevedere il futuro dato il comportamento precedente, e ricercatori con sede in Finlandia ne hanno sviluppato uno in grado di prevedere quando e perché gli anziani utilizzeranno i servizi sanitari.

Ricercatori del Centro finlandese per l'intelligenza artificiale (FCAI), Università Aalto, l'Università di Helsinki, e l'Istituto finlandese per la salute e il benessere (THL) ha sviluppato un cosiddetto modello di aggiustamento del rischio per prevedere la frequenza con cui gli anziani cercano cure in un centro sanitario o in un ospedale. I risultati suggeriscono che il nuovo modello è più accurato rispetto ai modelli di regressione tradizionali comunemente usati per questo compito, e può prevedere in modo affidabile come cambia la situazione nel corso degli anni.

I modelli di aggiustamento del rischio utilizzano dati degli anni precedenti, e sono utilizzati per allocare i fondi sanitari in modo equo ed efficace. Questi modelli sono già utilizzati in paesi come la Germania, Paesi Bassi, e gli Stati Uniti. Però, questa è la prima prova del concetto che le reti neurali profonde hanno il potenziale per migliorare significativamente l'accuratezza di tali modelli.

"Senza un modello di aggiustamento del rischio, operatori sanitari i cui pazienti si ammalano più spesso della media sarebbero trattati ingiustamente, "Pekka Martinen, Assistant Professor presso Aalto University e FCAI, afferma. Gli anziani sono un buon esempio di un tale gruppo di pazienti. L'obiettivo del modello è tenere conto di queste differenze tra i gruppi di pazienti quando si prendono decisioni di finanziamento.

Secondo Yogesh Kumar, l'autore principale dell'articolo di ricerca e un dottorando presso Aalto University e FCAI, i risultati mostrano che il deep learning può aiutare a progettare modelli di aggiustamento del rischio più accurati e affidabili. "Avere un modello accurato ha il potenziale per risparmiare diversi milioni di dollari, " precisa Kumar.

I ricercatori hanno addestrato il modello utilizzando i dati del Registro delle visite di assistenza sanitaria primaria di THL. I dati sono costituiti da informazioni sulle visite ambulatoriali per ogni cittadino finlandese di età pari o superiore a 65 anni. I dati sono stati pseudonimizzati, il che significa che le singole persone non possono essere identificate. Questa è stata la prima volta che i ricercatori hanno utilizzato questo database per addestrare un modello di apprendimento automatico approfondito.

I risultati mostrano che l'addestramento di un modello profondo non richiede necessariamente un enorme set di dati per produrre risultati affidabili. Anziché, il nuovo modello ha funzionato meglio che più semplice, modelli basati sul conteggio anche quando utilizzava solo un decimo di tutti i dati disponibili. In altre parole, fornisce previsioni accurate anche con un set di dati relativamente piccolo, che è una scoperta notevole, poiché acquisire grandi quantità di dati medici è sempre difficile.

"Il nostro obiettivo non è mettere in pratica il modello sviluppato in questa ricerca in quanto tale, ma integrare le caratteristiche dei modelli di deep learning ai modelli esistenti, combinando i lati migliori di entrambi. Nel futuro, l'obiettivo è utilizzare questi modelli per supportare il processo decisionale e allocare i fondi in modo più ragionevole, " spiega Martinen.

Le implicazioni di questa ricerca non si limitano alla previsione della frequenza con cui gli anziani visitano un centro sanitario o un ospedale. Anziché, secondo Kumar, il lavoro dei ricercatori può essere facilmente esteso in molti modi, Per esempio, concentrandosi solo su gruppi di pazienti con diagnosi di malattie che richiedono trattamenti altamente costosi o centri sanitari in luoghi specifici in tutto il paese.

I risultati della ricerca sono stati pubblicati nella serie di pubblicazioni scientifiche di Atti della ricerca sull'apprendimento automatico .