Secondo il rapporto Gartner “Inform Your Generative AI Strategy With Healthcare Provider Case Examples”, le aree della Sanità che stanno beneficiando dell’implementazione di tecnologie di GenAI sono ormai molteplici. Tra queste, solo a titolo d’esempio, la documentazione clinica automatizzata, il supporto alle decisioni cliniche e la personalizzazione del percorso di cura del paziente (patient journey).
Indice degli argomenti
GenAI in Sanità: chi la sta usando e come. 10 casi d’uso reali
L’analisi Gartner evidenzia come molte di queste applicazioni GenAI in Sanità abbiano un ottimo rapporto valore-fattibilità, indicandone un alto potenziale di impatto positivo assieme a una relativa facilità di implementazione. Tuttavia, alcune applicazioni più avanzate, come la generazione automatica di diagnosi differenziali e i piani di trattamento sono considerate “rischi calcolati”, ossia richiedono un’attenta valutazione dei potenziali benefici e rischi.
Sebbene l’implementazione di soluzioni GenAI richieda considerazioni strategiche su modelli di deployment, sicurezza dei dati e formazione del personale, la GenAI in Sanità sta già migliorando l’efficienza clinica e amministrativa in molte strutture e organizzazioni sanitarie, ottimizzando i flussi di lavoro e supportando la Medicina di precisione.
Sfide significative riguardano privacy, sicurezza e integrazione nei sistemi esistenti. Nonostante queste sfide, tuttavia, numerose strutture sanitarie, cliniche e Ospedali stanno già sperimentando con successo soluzioni di GenAI per la Sanità, ottenendo risultati promettenti in termini di riduzione del carico di lavoro amministrativo per il personale clinico, miglioramento dell’accuratezza della codifica e della documentazione, supporto più efficace ai processi decisionali, all’empowerment del paziente e alla ricerca medica.
Questi casi d’uso pionieristici stanno aprendo la strada a una più ampia adozione della GenAI in Sanità, con il potenziale di rivoluzionare numerosi aspetti della pratica clinica e della gestione ospedaliera nei prossimi anni.
Di seguito, alcuni tra i più significativi dei suddetti casi d’uso, evidenziando per ognuno di essi sia la struttura sanitaria che sta utilizzando la soluzione di Intelligenza Artificiale Generativa in questione sia l’azienda produttrice che mette a disposizione la soluzione GenAI sul mercato.
GenAI in Sanità – Caso d’uso 1: Abridge ed Emory Healthcare
Un caso d’uso significativo di implementazione della GenAI in Sanità è rappresentato dall’adozione della soluzione Abridge da parte di Emory Healthcare.
La soluzione mira a ridurre il carico di lavoro amministrativo dei medici, affrontando uno dei principali fattori di stress e burnout tra i professionisti sanitari.
L’applicazione GenAI di Abridge automatizza la creazione della documentazione nelle conversazioni cliniche. Utilizza una serie di modelli di machine learning, inclusi i Large Language Models (LLM), per trascrivere le conversazioni, classificare e strutturare le informazioni, mapparle su ontologie standardizzate e, infine, generare una nota clinica completa.
Questo processo non solo libera i medici dal compito gravoso di compilare manualmente la documentazione, ma garantisce anche una maggiore accuratezza e completezza delle cartelle cliniche. L’integrazione con il sistema di cartelle cliniche elettroniche EPIC, tramite API, assicura un flusso di lavoro fluido e senza interruzioni.
I risultati preliminari dell’implementazione sono promettenti: oltre 500 medici di Emory Healthcare stanno già utilizzando la soluzione, riportando un risparmio medio di 2 ore al giorno nelle attività di creazione e gestione della documentazione clinica. Questo significativo guadagno di tempo si traduce in una riduzione del cosiddetto pajama time, ovvero il tempo che i medici tradizionalmente dedicano alla documentazione dopo l’orario di lavoro.
Caso d’uso 2: Epic e UC San Diego Health
UC San Diego Health ha adottato una soluzione di GenAI per la Sanità sviluppata dal suo fornitore di cartelle cliniche elettroniche, Epic Systems, per affrontare il crescente problema del burnout dei medici causato dalla necessità di rispondere ai messaggi dei pazienti, spesso al di fuori dell’orario di lavoro.
La soluzione, che sfrutta il servizio Azure OpenAI di Microsoft, automatizza la bozza di risposta ai messaggi, riducendo significativamente il carico cognitivo e amministrativo sui clinici.
Secondo l’UC San Diego Health, il sistema sta generando risposte più complete, contribuendo a ridurre la necessità di appuntamenti non necessari. Ogni messaggio generato automaticamente include una nota che spiega che la risposta è stata creata dall’AI e successivamente rivista e modificata da un clinico prima dell’invio, garantendo trasparenza e supervisione umana.
Caso d’uso 3: Google MedLM e HCA Healthcare
HCA Healthcare, una delle più grandi reti ospedaliere degli Stati Uniti, ha collaborato con Google per sviluppare uno strumento innovativo basato sulla GenAI per migliorare l’efficienza e l’efficacia del processo di passaggio di consegne tra infermieri.
Utilizzando il modello linguistico medico Google MedLM, HCA ha creato uno strumento che identifica ed estrae le informazioni più rilevanti dalla cartella clinica elettronica del paziente per formulare un rapporto di passaggio di consegne per il turno infermieristico successivo. Considerando che HCA gestisce circa 400mila passaggi di consegne tra turni ogni settimana, l’impatto potenziale di questa soluzione sulla produttività e sulla qualità delle cure è significativo.
Tuttavia, HCA sta affrontando alcune sfide chiave nell’implementazione di questa tecnologia, in particolare per quanto riguarda le allucinazioni (informazioni generate erroneamente dall’AI) e i limiti di token (la quantità di testo che il modello può elaborare in una singola operazione).
Nonostante queste sfide da vincere, HCA prevede che l’adozione di questa tecnologia porterà a miglioramenti significativi nella qualità e nell’efficienza dei passaggi di consegne infermieristici, con potenziali benefici in termini di continuità delle cure, riduzione degli errori e ottimizzazione del tempo del personale sanitario.
GenAI in Sanità – Caso d’uso 4: Rad AI e Advanced Radiology
Advanced Radiology, uno dei più grandi studi di Radiologia privati degli Stati Uniti, ha implementato la soluzione Omni Impressions di Rad AI per migliorare l’efficienza e la qualità dei referti radiologici.
Questa tecnologia utilizza la GenAI per automatizzare la creazione finale del referto, basandosi sui risultati e sull’indicazione clinica dettati dal radiologo. Ciò che rende particolarmente interessante questa soluzione è la sua capacità di generare l’output in base allo stile individuale di ciascun radiologo, garantendo coerenza e personalizzazione dei referti.
Rad AI sfrutta una combinazione di modelli LLM, integrandoli con ulteriori modelli di AI per la post-elaborazione, al fine di assicurare la massima accuratezza e permettere la personalizzazione dei risultati.
Secondo Advanced Radiology, l’implementazione di Omni Impressions ha portato a miglioramenti significativi in diversi aspetti critici del processo di refertazione.
In primo luogo, la soluzione ha dimostrato di aumentare l’accuratezza e la coerenza dei referti, rispondendo alle principali domande cliniche e fornendo raccomandazioni di follow-up basate sulle più recenti linee guida di consenso. Ciò migliora la qualità delle informazioni fornite ai medici curanti e, potenzialmente, riduce anche il rischio di errori diagnostici od omissioni importanti.
In termini di efficienza, Advanced Radiology ha fatto registrare un risparmio medio di oltre 60 minuti al giorno per radiologo.
Caso d’uso 5: Andor e Orlando Health
Orlando Health, affrontando la sfida comune della carenza di personale infermieristico, ha implementato la soluzione Virtual Hospital di ThinkAndor per potenziare il suo programma di infermieristica virtuale.
Questa piattaforma sfrutta il servizio Azure OpenAI di Microsoft per supportare i flussi di lavoro clinici, utilizzando eventi e segnali provenienti dalla cartella clinica elettronica per identificare e mettere in coda in modo proattivo le opportunità di intervento infermieristico virtuale nel centro di comando dell’infermieristica virtuale.
La soluzione di ThinkAndor è progettata per gestire una vasta gamma di attività, tra cui l’ammissione dei pazienti, la verifica dei farmaci e la pianificazione delle dimissioni.
Una caratteristica particolarmente utile del sistema è la sua capacità di analizzare contenuti clinici rilevanti dalla cartella clinica elettronica e presentarli all’infermiere durante l’incontro di assistenza virtuale, facilitando decisioni informate e tempestive.
Questo approccio ottimizza l’utilizzo delle risorse infermieristiche e permette di fornire un’assistenza più personalizzata e reattiva ai pazienti ricoverati anche nei casi di una disponibilità limitata di personale .
Caso d’uso 6: Fathom e Apollo MD
ApolloMD, importante gruppo medico statunitense con oltre 1.500 professionisti, ha implementato la soluzione di codifica autonoma sviluppata da Fathom per ottimizzare il processo di codifica clinica, elemento cruciale nella gestione del ciclo delle entrate sanitarie.
La soluzione di Fathom utilizza una combinazione di deep learning ed elaborazione del linguaggio naturale, inclusa una versione ottimizzata per GPU del modello BERT (un tipo di modello linguistico di grandi dimensioni), per analizzare le note dei medici e le cartelle dei pazienti, determinando automaticamente i codici di rimborso appropriati.
Secondo ApolloMD, il 90% delle cartelle viene ora codificato automaticamente senza intervento umano.
Questo livello di automazione ha avuto un impatto significativo su diversi aspetti critici del processo di codifica. In primo luogo, ha portato a una sostanziale riduzione dei costi associati alla codifica, risultato particolarmente rilevante considerando che la codifica clinica rappresenta una voce di spesa significativa per molte organizzazioni sanitarie.
Inoltre, la soluzione ha contribuito ad alleviare le sfide legate alla carenza di personale qualificato nel campo della codifica clinica.
Un altro beneficio chiave evidenziato da ApolloMD è stata la riduzione dei tempi di elaborazione della codifica. Questo miglioramento nell’efficienza accelera il ciclo di fatturazione e assicura che le informazioni codificate siano disponibili più rapidamente per altre applicazioni critiche, come l’analisi dei dati clinici e la gestione della qualità.
Caso d’uso 7: Notable e NKCH & Meritas Health
North Kansas City Hospital e Meritas Health hanno implementato una soluzione GenAI in Sanità per creare percorsi personalizzati per i loro pazienti.
La piattaforma, Notable Assistant, sfrutta una combinazione di modelli LLM e tecnologia di assistente conversazionale per offrire un’esperienza utente interattiva e personalizzata.
Ciò che rende interessante questa implementazione è la sua capacità di integrare e utilizzare una vasta gamma di fonti di dati, tra cui il sito web del sistema sanitario, gli script delle chiamate, i flussi di lavoro esistenti e i dati provenienti dalle cartelle cliniche elettroniche.
Questa integrazione permette al sistema di fornire ai pazienti un accesso facilitato a servizi e informazioni, coprendo un’ampia gamma di funzionalità che vanno dalla ricerca di un medico alla gestione degli appuntamenti, dalla localizzazione delle cliniche al pagamento delle fatture e alla richiesta di rinnovi di prescrizioni.
Un aspetto notevole di Notable Assistant è la capacità di interagire con gli utenti sia tramite testo che voce, supportando ben 150 lingue diverse. Questa caratteristica è particolarmente rilevante nel contesto sanitario, dove la diversità linguistica dei pazienti può rappresentare una sfida significativa per l’accesso alle cure e la comunicazione efficace.
NKCH e Meritas Health hanno espresso aspettative elevate riguardo all’impatto di questa tecnologia. Tra i benefici attesi, si prevede una significativa riduzione delle chiamate al contact center, un’automazione efficace di numerosi compiti amministrativi e un potenziale aumento delle riscossioni attraverso l’implementazione di pagamenti sicuri basati su chat.
GenAI in Sanità – Caso d’uso 8: K Health e Mayo Clinic
Mayo Clinic ha implementato una soluzione di assistenza virtuale sviluppata da K Health. Si tratta di una piattaforma, che sfrutta la GenAI in Sanità, progettata per accelerare l’adozione di modelli di cura virtuale e migliorare l’accesso a un’assistenza primaria centrata sul paziente.
Il cuore della soluzione K Health è un chatbot medico basato su AI che conduce un’intervista strutturata e dinamica con il paziente. Questo assistente virtuale raccoglie informazioni dettagliate sui fattori di rischio, i sintomi clinici e la storia medica del paziente, utilizzando un approccio conversazionale che simula l’interazione con un medico reale.
La tecnologia sottostante si basa su un modello LLM addestrato su dati medici specifici, integrato con algoritmi specializzati che predicono la prossima domanda da porre al paziente, garantendo così un’intervista completa e mirata.
Una volta completata l’intervista, il sistema fornisce ai clinici un riepilogo dettagliato della conversazione insieme a un elenco di fino a cinque potenziali diagnosi.
Questo approccio ottimizza il tempo del medico, fornendo un quadro clinico preliminare completo, e migliora potenzialmente l’accuratezza diagnostica, combinando l’analisi basata sull’AI con il giudizio clinico umano.
I risultati preliminari dell’implementazione presso la Mayo Clinic sono stati promettenti. I medici hanno selezionato una diagnosi suggerita dall’AI nell’84% dei casi, con la diagnosi classificata al primo posto scelta nel 61% delle volte. Questi numeri suggeriscono un alto livello di concordanza tra le valutazioni dell’AI e il giudizio clinico dei medici della Mayo Clinic, sottolineando il potenziale di questa tecnologia come strumento di supporto decisionale efficace.
Questa implementazione potrebbe aprire la strada a un modello di assistenza primaria più scalabile e accessibile – in Mayo Clinic (e non solo) – in cui l’AI funge da primo punto di contatto, effettuando un triage efficace dei casi e indirizzando le risorse mediche umane dove sono più necessarie.
Caso d’uso 9: Glass Health
Glass Health è attiva nel campo del supporto alle decisioni cliniche basate sulla GenAI in Sanità.
La startup ha sviluppato una piattaforma che sfrutta i modelli LLM di OpenAI in combinazione con altre tecniche avanzate per generare diagnosi differenziali e piani di trattamento.
Il processo inizia con i clinici che inseriscono informazioni sulla presentazione clinica del paziente. Il sistema quindi elabora queste informazioni per identificare un elenco di potenziali diagnosi differenziali e genera una bozza di piano di trattamento clinico per la revisione del medico.
Ciò che distingue l’approccio di Glass Health è la sua attenzione alla precisione e all’etica nell’uso dell’AI in ambito sanitario. La piattaforma è progettata per filtrare gli identificatori sociali che non dovrebbero essere considerati nel ragionamento clinico, affrontando così potenziali bias nell’AI che potrebbero portare a disparità nelle cure.
Tra i benefici attesi, si prevede una significativa riduzione del burnout dei clinici, consentendo loro di concentrarsi sugli aspetti più complessi e interpersonali della cura del paziente, mentre l’AI gestisce la sintesi delle informazioni e la generazione di opzioni di trattamento basate sull’evidenza. Inoltre, si prevede che l’uso di questa tecnologia possa portare a miglioramenti negli esiti dei pazienti attraverso una diagnosi più rapida e accurata e piani di trattamento più personalizzati e basati sull’evidenza.
GenAI in Sanità – Caso d’uso 10: Vital
Vital ha sviluppato la soluzione Doctor-to-Patient Translator che sfrutta la GenAI in Sanità per rendere più accessibili e comprensibili le informazioni mediche ai pazienti.
Questa piattaforma affronta una sfida critica nel settore sanitario: la difficoltà che molti pazienti incontrano nel comprendere la terminologia medica, spesso complessa, utilizzata nella documentazione clinica. Con l’aumento dell’accesso dei pazienti alle proprie cartelle cliniche elettroniche, la necessità di strumenti che possano “tradurre” efficacemente il gergo medico in un linguaggio comprensibile è diventata infatti sempre più pressante.
La soluzione di Vital utilizza una combinazione di modelli LLM, tra cui Llama 2, Med-PaLM e modelli GPT, per creare spiegazioni davvero elementari di vari tipi di documentazione clinica, inclusi risultati di laboratorio, note dei medici, istruzioni per i pazienti e riassunti di dimissione.
Questo approccio multi-modello permette alla piattaforma di sfruttare i punti di forza di diversi sistemi di AI, migliorando l’accuratezza e la rilevanza delle traduzioni generate.
Un aspetto importante della soluzione Vital è il rigore con cui è stata valutata la sua sicurezza e accuratezza. Secondo l’azienda, un panel di medici ha esaminato quasi 2000 output generati dall’AI basati su note mediche reali. Risultati: il 99,4% delle traduzioni è stato giudicato sicuro. Solo lo 0,6% è stato marcato come non sicuro, principalmente a causa di informazioni inaccurate o dell’omissione di informazioni chiave. Questi risultati sottolineano l’importanza di una rigorosa validazione clinica per le applicazioni di AI in ambito sanitario, specialmente quando si tratta di comunicare informazioni critiche ai pazienti.
L’implementazione di questa tecnologia punta a trasformare significativamente la comunicazione medico-paziente e l’engagement del paziente nel proprio percorso di cura.
Rendendo le informazioni mediche più accessibili e comprensibili, la soluzione Vital può contribuire a migliorare l’aderenza alle terapie, ridurre l’ansia dei pazienti legata all’incertezza e promuovere un processo decisionale più informato e condiviso tra medici e pazienti.
Inoltre, questa tecnologia potrebbe avere un impatto particolarmente positivo per i pazienti con livelli di alfabetizzazione sanitaria limitati o per coloro che hanno difficoltà a comprendere il linguaggio medico a causa di barriere linguistiche o culturali.
