IT201800006930A1 - “metodo, implementato mediante computer, di navigazione intelligente nei dati e nelle analisi sanitarie per supportare i medici a trovare il percorso sanitario ideale a curare patologie diagnosticate nei loro pazienti” - Google Patents

Description

Descrizione dell’invenzione industriale dal titolo:

“METODO, IMPLEMENTATO MEDIANTE COMPUTER, DI NAVIGAZIONE INTELLIGENTE NEI DATI E NELLE ANALISI SANITARIE PER SUPPORTARE I MEDICI A TROVARE IL PERCORSO SANITARIO IDEALE A CURARE PATOLOGIE DIAGNOSTICATE NEI LORO PAZIENTI”,

DESCRIZIONE

Il presente trovato riguarda un metodo attuato attraverso l’uso di sistemi informatici e programmi software per supportare operatori che lavorano in campo sanitario per fornire loro uno strumento per cercare il percorso sanitario ideale a curare patologie diagnosticate nei loro pazienti. Il termine ‘percorso sanitario ideale’ è sinonimo di ‘protocollo sanitario’ e di ‘miglior percorso di cure’.

Con ‘campo sanitario’ si intende in senso lato tutto ciò che riguarda lo stato igienico e di salute di una persona e della collettività, compresi i servizi assistenziali, ospedalieri, infermieristici, farmacologici, e terapeutici offerti da operatori ed istituzioni pubblici e privati.

L’invenzione riguarda la standardizzazione delle prassi sanitarie, in forma di protocolli per il trattamento di patologie diagnosticate con sicurezza.

Secondo il metodo che si descrive, utenti operanti in campo sanitario ricercano e comparano i trattamenti di cura adottati in casi ‘assimilabili’ o ‘comparabili’, casi raccolti ed esplorabili mediante un sistema informatizzato, per la conservazione e analisi di grandi quantità di informazioni digitali, che ora e in avanti verrà riferito come: sistema di Navigazione Intelligente nei Dati e nelle Analisi Sanitarie (sistema N.I.D.A.S.), e che costituisce un primo oggetto della presente invenzione.

Caratteristica di tale sistema realizzato informaticamente è permettere la raccolta e l’analisi di dati non necessariamente strutturati (cioè non memorizzati entro schemi e tabelle di dati dal significato predeterminato, come i database clinici e sanitari, e non provenienti da modulistica digitale con campi fissi come le cartelle cliniche informatizzate) allo scopo di confrontare percorsi terapeutici applicati ad altri pazienti, a prescindere da luogo, nazionalità e lingua, in modo da individuare i percorsi sanitari ideali a curare i pazienti attualmente affetti da patologie ben diagnosticate. La raccolta dei dati relativi ai percorsi di cura cui viene sottoposto ogni paziente, in base alle patologie diagnosticategli, viene definita ‘sommario clinico’, o anche ‘storia clinica’ del paziente.

Il sommario clinico di un paziente è tanto più accurato quanto più accurata sarà la raccolta di documenti e informazioni sanitarie (cd. “informazioni digitali”) immesse nel sistema NIDAS da parte dei medici che, di volta in volta hanno avuto in cura il paziente.

La metodologia oggetto dell’invenzione raccoglie e utilizza qualsiasi informazione storica dei pazienti, in qualsiasi formato digitale, anche non strutturato. In tal modo il sommario tiene traccia di: cure cui i pazienti sono stati sottoposti in strutture pubbliche e private, nel corso degli anni; prescrizioni mediche, farmacologiche ed indicazioni terapeutiche; diagnosi fatte da medici/istituti pubblici e privati; esiti dei trattamenti attuati: negativo, parzialmente positivo o positivo, il tutto espresso in qualunque lingua di qualunque paese ove tali dati siano stati prodotti.

Per ottenere tale raccolta di informazioni digitali, il metodo oggetto dell’invenzione prevede di utilizzare uno o più sistemi software esistenti di ‘gestione della conoscenza’, cd. Sistemi KMS (knowledge management systems) la cui caratteristica è di essere agnostici (indipendenti) dalla forma linguistica delle informazioni che gestiscono. I sistemi KMS utilizzabili ai fini dell’implementazione del metodo ritrovato non sono rilevanti e non sono oggetto della presente invenzione.

SCOPI DELL’INVENZIONE

Nel campo delle informazioni sanitarie e, in particolare, di quelle relative ai percorsi adottati da medici e strutture sanitarie per curare specifiche patologie, i dati contenuti in documenti NON-STRUTTURATI costituiscono la maggior parte delle informazioni. Per fare alcuni esempi: le note diagnostiche, le osservazioni cliniche, i diari di cura giornalieri, i quesiti diagnostici presenti nelle prescrizioni mediche e farmacologiche, i referti, le immagini diagnostiche, eccetera, hanno tutti natura non-strutturata (si tratta per lo più di testi scritti in linguaggio libero) il che rende estremamente difficile utilizzare tali dati per fare analisi delle ‘prassi sanitarie’.

La presente invenzione fornisce un metodo con cui tali informazioni non-strutturate diventano parte integrante del sommario clinico digitale del paziente, e vengono quindi messe a disposizione dei medici per comparare prassi e percorsi terapeutici tra loro.

Alcuni stimano il volume di queste informazioni non-strutturate sino al 60-65% (o più, vedi l’articolo: http://healthstandards.com/blog/2014/07/15/unstructured -data/) delle informazioni digitali complessive prodotte oggi durante i trattamenti di pazienti in cura.

Il risultato che si vuole ottenere con la presente invenzione è di mettere il medico, che oggi ha in cura un paziente, in grado di accedere alla grande quantità di dati esistenti non-strutturati, assieme a quelli strutturati, permettendogli di analizzare, mediante comparazione tra ‘casi simili’, quali siano stati i metodi di cura più efficaci per la salute e la qualità di vita del paziente adottati da altri medici, evitando così che il medico resti inconsapevole dell’esistenza di moltissime informazioni attendibili, solo perché non sono ancora rese disponibili in una modalità di ricerca e consultazione semplice e veloce, attraverso dispositivi digitali.

Poter accedere ed analizzare una così grande percentuale di dati oggi non-utilizzati, avrebbe impatto al livello nazionale, italiano, sui criteri per finanziare la spesa sanitaria, cioè la previsione del fabbisogno periodico di cure. Oggi tali criteri si basano su pochi dati strutturati, tipicamente: il sesso, le fasce d’età, le classi patologiche principali e più comuni/diffuse. Non si basano sull’effettiva domanda di servizi di salute fondata sulla profilazione accurata dei cittadini, o meglio di cluster (raggruppamenti) di cittadini aggregati, cosa che è resa invece possibile con il metodo che si descrive, in grado di usare ed elaborare quel 60-65% di informazioni digitali oggi non considerate, in altre parole in grado di “usare il resto dei dati.” Peraltro, non solo in Italia ma anche nel mondo ci sono ben pochi protocolli o linee guida standardizzate: per lo più quelli orientati a gestire le patologie croniche.

A differenza di quanto noto, infatti la presente invenzione si basa sul concetto di ‘pazienti comparabili’ e propone un metodo per aggregare informaticamente i pazienti, mediante comparazione tra criteri molteplici (stato di salute, diagnosi di malattie, protocolli di cura adottati, esiti di guarigione o comunque positivi: miglioramento dello stato di salute e della condizione di vita). Tale comparazione porta alla formazione di ‘raggruppamenti’ di pazienti, con una storia clinica simile, e dei loro percorsi di cura. Tali raggruppamenti sono anche detti ‘cluster’. Una possibile implementazione informatica del sistema NIDAS proporrebbe all’utente, medico od operatore sanitario, i clusters in risposta alle ricerche dell’utente.

Costituisce un secondo oggetto della presente invenzione il metodo per la raccolta dei dati e la definizione dei criteri per formare i cluster.

Secondo tale metodo, i criteri per comparare un caso clinico con altri ‘casi comparabili’ raccolti in un sistema di gestione della conoscenza, allo scopo di individuare il piano terapeutico ideale, tengono conto del peso (cioè l’importanza) delle singole azioni intraprese nei percorsi terapeutici analizzati. Questo è possibile perché il metodo inventato colloca su una linea temporale (cronologica) tutte le informazioni raccolte relative ai trattamenti terapeutici di pazienti, immessi nel sistema. Per cui, se una variazione/miglioramento alle prassi di cura intraprese nei casi comparabili si confermasse come la scelta migliore, a beneficio dei pazienti, il “percorso di cura ideale” viene aggiornato. Nel senso che il sistema di gestione delle informazioni digitali relative ai trattamenti terapeutici per curare determinate patologie, sarà arricchito di nuove informazioni, temporalmente più recenti, che indicano ai medici utenti del sistema la presenza di una ‘recente innovazione’ (un miglioramento) nelle prassi per curare tali patologie.

Con un precedente brevetto (n. 0001415701 del 29-04-2015, conosciuto anche come “Peso delle Fonti”) lo stesso inventore ha dimostrato come innovare il campo della gestione dei contenuti digitali cd. nonstrutturati, cioè non memorizzati entro database e schemi dal significato predeterminato. Uno dei campi di applicazione citato nel testo di tale brevetto recita: “un utente specialista in uno specifico ambito, ad esempio clinico-sanitario, configura relazioni di minore-maggiore importanza tra differenti dati disponibili e indicizzati su un sistema di gestione della conoscenza.” Con tale brevetto si è dimostrato che è possibile informatizzare processi intelligenti, tipicamente umani, mai automatizzati in precedenza. I sistemi gestionali esistenti, infatti, si limitano a fornire ricerche statistiche, linguistiche (semantiche) e probabilistiche, ma mai sono stati in grado di ‘capire’ in senso pro-attivo (cioè propositivo) perché l’utente dovrebbe dare più importanza ad una informazione piuttosto che ad un’altra, entrambe relative al campo professionale in cui l’utente opera.

Il trovato della presente invenzione è in grado di rispondere ad una pluralità di esigenze finora insoddisfatte dai sistemi di gestione e analisi sanitaria:

a) un medico che ha in carico un caso clinico ha bisogno di un sistema con il quale trovare le indicazioni più aggiornate per le patologie che tratta;

b) le informazioni devono essere continuamente importate, autenticate, processate e classificate in base a criteri comuni di similitudine (comparabilità) utilizzando un sistema artificiale di indicizzazione della conoscenza, realizzato informaticamente, che permetta anche di pesare l’importanza delle fonti che producono le informazioni raccolte.

Prima di analizzare lo stato dell’arte e descrivere l’invenzione in dettaglio, è fondamentale definire un glossario di termini e concetti.

GLOSSARIO

ALGORITMO Sequenza di passi, che prevede azioni successive a seguito di esito di azioni precedenti, e può condurre ad uno o diversi stati intermedi e finali

SORGENTI Sistemi digitali, connessi tra loro in rete o in altro modo, che conservano dati e documenti digitali coesi tra loro. Ad esempio, in campo sanitario, la raccolta dei fascicoli dei ricoveri di pazienti

AGENTE Programma software in esecuzione continua e SOFTWARE automatica, che non richiede la presenza di un utente umano per svolgere elaborazioni dati su un computer o una rete di computer. Tipiche elaborazioni operate dagli agenti sono, ad esempio, il riconoscimento di “patterns” ed espressioni linguistiche all’interno di un documento di testo e la loro estrazione sottoforma di ‘entità’

Sistema di NIDAS, sistema implementato informaticamente, Navigazione che gestisce grandi quantità di dati digitali Intelligent non omogenei tra loro, li raccoglie, li e conserva e permette agli utenti di effettuare ricerche concettuali e aggregazioni tra informazioni simili

CLUSTER(s) Raggruppamenti (cd. aggregazioni) di dati o documenti, accomunati da valori simili di alcuni parametri definiti ‘criteri’ PERCORSO Sequenza di analisi, terapie e azioni di SANITARIO monitoraggio (misure) ed eventuali interventi correttivi, che si applica a soggetti per curare una riconosciuta patologia, o classe di patologie, di cui sono affetti. La sequenza dei passi può essere non-lineare

NON LINEARE Attributo che si riferisce ad una sequenza di analisi e azioni non in successione stretta tra loro, eseguita da operatore umano o da sistema informatico. Si dice non-lineare quando una analisi o azione successiva a quella corrente non è predeterminata da questa, ma può variare in base a certi dati analizzati/misurati

INTELLI- Insieme di tecniche di elaborazione dati che GENZA cercano di rappresentare il funzionamento ARTIFICIALE della mente umana per svolgere compiti o fornire soluzioni automatiche a problemi complessi, in breve tempo

SEMANTICA Parte della linguistica che studia il significato delle parole e degli insiemi di parole (espressioni e relazioni linguistiche) ANALISI Insieme di metodologie e algoritmi aventi lo BIG-DATA scopo di effettuare analisi statistiche su grandi quantità di dati, strutturati in database e non-strutturati. Tale analisi può prevedere l’inclusione o l’esclusione di valori detti “outsider” in quanto si discostano di molto dai valori standard (i cd. casi anomali)

INDICIZZA- Tecnica, solitamente realizzata ZIONE informaticamente, mediante la quale i contenuti di documenti vengono importati in un sistema di intelligenza semantica in modo efficiente da permettere agli utenti ricerche rapide, formulabili anche in linguaggio umano naturale, in qualsiasi lingua. Le applicazioni software che gestiscono ‘indici ricercabili’ si chiamano, Inglese, KMS (Knowledge Management System)

PRO-ATTIVO Attributo che indica il caso in cui la conoscenza di uno o più dati indicano all’analista dei dati azioni da intraprendere o modificare, rispetto alla prassi corrente MAIA (Modello Programma software in esecuzione continua che, Addestrato di automaticamente, effettua elaborazioni per le Intelligenza quali è stato pre-addestrato. Tali Artificiale) elaborazioni sono innescate a-tempo, elaborazioni periodiche, o quando il software automatico riceve un ‘segnale’ digitale che ne avvia l’esecuzione (evento, trigger), o ancora a richiesta di un utente del sistema software (on-demand)

Tipicamente, i modelli addestrati con differenti scopi vengono configurati con ‘dati di addestramento’ specifici dello scopo e del dominio delle informazioni digitali che devono essere elaborate; quindi si parlerà di ‘modelli sanitari’ nel caso di uno o più MAIA addestrati allo scopo di elaborare (classificare, aggregare, raggruppare) dati sanitari

ALBERO Struttura ad albero per classificare a vari TASSONOMICO livelli le informazioni, in base al loro significato o in base a criteri di similitudine/aggregazione

Significato e criteri di aggregazione sono specifiche di un cd. dominio, ad esempio il dominio sanitario

FATTO Qualsiasi informazione digitale diversa dal ‘dato unitario’ (unitari sono: un numero, una data, una parola, un codice fiscale, un nome, ecc); ad esempio un testo in qualsiasi lingua è un FATTO, anche una raccolta di dati come una tavola di dati di analisi cliniche nel suo complesso è un FATTO

METADATO Dati (spesso ‘unitari’) che accompagnano un FATTO e permettono di classificarlo. Ad esempio, da un documento si possono estrarre entità come la data di redazione, l’oggetto, l’autore, che sono metadati. Per questo, il termine ‘entità’ spesso è sinonimo di metadato. Non sempre i metadati di un FATTO sono entità estratte dal FATTO, possono essere caratteristiche aggiunte al FATTO, come ad esempio il ‘formato digitale’ di un documento

ANALISI DI ALCUNE ANTERIORITA’

Da una ricerca di anteriorità effettuata sono

emerse alcune domande di invenzione che vengono qui di

seguito citate solo per completezza informativa. Come si può verificare infatti, tali domande, pur avendo profili di somiglianza con il presente trovato, non hanno lo stesso obiettivo o se ne discostano dal punto di vista sia tecnico che metodologico, e non costituiscono quindi anteriorità rilevanti, sia sul piano della novità che dell’attività inventiva.

Il brevetto italiano “METODO E SISTEMA DI ANALISI PROATTIVA DEL RISCHIO CLINICO”, nr.0001415219, si riferisce all’analisi proattiva del rischio clinico a seguito di eventi sentinella, per prevenire conseguenze penali per Direttori Sanitari e Medici, quando nella struttura ospedaliera dove operano si verificano decessi od eventi negativi e lesivi per i quali i pazienti od i loro affini avviano contenziosi e cause penali contro la Direzione Sanitaria. Tale brevetto italiano non prevede acquisizione e indicizzazione di documenti, protocolli, sommari clinici ed altri contenuti digitali aventi lo scopo di guidare il professionista sanitario all’analisi e allo sviluppo di trattamenti di cura più efficienti per i pazienti curati, né per ottimizzare la spesa sanitaria complessiva. Soprattutto non ha lo scopo di organizzare la conoscenza in uno specifico ambito di applicazione per migliorare i processi di analisi e trattamento terapeutico. Si tratta infatti di un sistema per prevenire il contenzioso e per tutelare penalmente enti e professionisti del campo sanitario.

Il brevetto italiano “METHOD FOR DIAGNOSIS, FOLLOW UP OF EFFICACY OF A THERAPY AND FOR DEVELOPMENT OF TREATMENT FOR MULTIPLE SCLEROSIS” del 13-dic-2010, come altri brevetti italiani ed europei nel campo della diagnostica di malattie largamente diffuse, ha lo scopo di rendere più efficace sia la diagnosi che il trattamento di tali patologie, migliorando la vita dei pazienti affetti e tenendo in seria considerazione la sostenibilità della spesa terapeutica.

Dalla breve disamina effettuata, possiamo comunque concludere che i brevetti appena citati non costituiscono una anteriorità per la presente invenzione, per i seguenti motivi:

Motivo I) Innanzitutto descrivono metodi e sistemi volti a migliorare la diagnostica. Il presente trovato che si intende brevettare non serve a fare diagnosi, ma dà per acquisita la diagnosi accertata circa la condizione del paziente.

Motivo II) Anche quando supportati da tecnologia informatica e basati su sistemi di elaborazione digitale, essi non costituiscono un “sistema addestrato di intelligenza artificiale semantica” in grado di analizzare informazioni digitali prodotte da fonti, e in formati, eterogenei.

Motivo III) Inoltre i brevetti citati sono relativi a campi di applicazione così particolari da non poter essere estesi agli altri ambiti sanitari, clinici e non.

L’unico documento che sembra avere uno scopo molto simile a quello della presente invenzione perché mira a ridurre a zero gli esiti sanitari negativi e le pratiche che non sono efficaci per il bene del paziente e per l’economia dell’ente sanitario è la domanda di brevetto statunitense pubblicata su WIPO con n. di pubbl.ne WO2014164660-A1 del 09-ott-2014,

, avente per titolo “SYSTEM AND METHODS FOR PROVING MEDICAL CARE ALGORITHMS TO A USER”

Tuttavia la metodologia proposta dagli inventori Silver & Matousian, pur costituendo la “closest-priorart” rispetto alla presente invenzione, contiene sostanziali diversità rispetto alla presente invenzione, sia sotto il profilo tecnico che procedurale.

Sono gli inventori stessi infatti a definire l’ambito della loro invenzione: “il (loro) metodo si applica al trattamento di casi critici, semi-critici, non-critici e specialistici”. Il medico accede al sistema software da loro realizzato e seleziona icone in successione, che lo portano all’algoritmo sanitario più adatto al caso trattato. Un sistema di visualizzazione mostra al medico l’algoritmo di cura ritenuto più adatto al caso, ed il medico procede a propria discrezione, seguendo i vari “branches” (rami) in cui l’algoritmo sanitario si dirama, in base alle condizioni cliniche del paziente ed ai dati analitici di cui il medico dispone, od in risposta alle somministrazioni farmacologiche. La (loro) descrizione è accompagnata da “figure” presenti nel documento di brevetto. Tali figure però non presentano una visualizzazione a passi successivi dell’algoritmo portato come esempio dagli stessi inventori (Emergenza per Tachicardia Ventricolare). Le figure non mostrano la successione di esiti e azioni che caratterizza tipicamente un algoritmo.

Quindi l’oggettivo problema tecnico risolto dal sistema, descritto nella domanda WIPO di Silver & Matousian, è quello di guidare il medico all’utilizzo di percorsi sanitari determinati da un sistema informatizzato di sequenze (cd. algoritmi) di intervento sanitario, standardizzate in base alla gravità dei casi.

Il trovato di cui alla presente invenzione non ha lo stesso obiettivo: non vuole insegnare al medico di gestire un caso clinico selezionando un percorso tra un insieme di percorsi standard, proposti da un sistema informatizzato di scelta e selezione di algoritmi sanitari. Al contrario il risultato che si intende raggiungere con la presente invenzione è di fornire al medico, o ad un altro professionista sanitario, uno strumento per ricercare e confrontare la propria prassi sanitaria con quelle utilizzate (potenzialmente in ogni parte del mondo) su pazienti con storia clinica e patologie diagnosticate comparabili. In questo modo sta al medico, e non all’algoritmo software, determinare il percorso sanitario migliore da attuare per il paziente in cura, confermando le prassi abitualmente adottate o modificandole secondo il risultato della analisi per confronto con i percorsi terapeutici seguiti da altri medici, in casi comparabili.

Pertanto il sistema di cui Silver & Matousian rivendicano l’invenzione non fornisce risultati comparabili con quelli della presente invenzione, sebbene si occupi di percorsi di cura in ambito sanitario.

Sotto il profilo procedurale inoltre si evidenzia che: secondo l’invenzione di Silver & Matousian, e gli esempi da loro descritti e corredati da figure, il medico che interviene in casi critici e semi-critici dovrebbe avere il tempo di selezionare e seguire, sul sistema software da loro ideato, algoritmi anche abbastanza complessi, concentrandosi sulle indicazioni del software e non sulle condizioni cliniche del paziente trattato in condizioni di urgenza o emergenza.

Per questo, ad avviso della Richiedente della presente domanda di brevetto, l’invenzione di Silver & Matousian ha un campo di applicazione più limitato di quello da loro indicato: in quanto può essere utilizzata soltanto durante il trattamento di casi noncritici e nei trattamenti specialistici.

Infine, l’oggetto della presente invenzione non è un sistema software di algoritmi sanitari, piuttosto fa uso di regole semantiche per formare aggregazioni tra informazioni digitali inerenti casi concettualmente comparabili, e si diversifica dalla domanda di brevetto di “Silver & Matousian” perché non guida il medico mediante algoritmi, ma fornisce al medico il supporto per analizzare, confrontare e raggruppare le informazioni provenienti dai trattamenti sanitari. Non serve a guidare i trattamenti sanitari lungo percorsi predeterminati da un sistema informatico, serve piuttosto ad evidenziare quali siano stati, nel tempo, i trattamenti sanitari più efficaci adottati da qualsiasi medico in pazienti con quadro clinico comparabile, per ottenere la migliore risposta possibile per la salute del paziente, identificando velocemente il suo quadro eziologico.

Nel metodo della presente invenzione ci sono aspetti e momenti diversi:

1) una metodologia che concerne la formazione e la gestione della banca dati del sistema di navigazione intelligente di dati e analisi semantica (NIDAS); e

2) diverse metodologie di raggruppamento e interrogazione dei dati raccolti nel NIDAS, nonché di fruizione dei risultati da parte dell’utente finale, mediante sistemi informatizzati.

Le caratteristiche dettagliate dell’invenzione risulteranno evidenti dalla descrizione dettagliata che segue, facendo riferimento alle tavole di disegni in cui:

la fig. 1 illustra la FASE DI ACQUISIZIONE CONTINUA e rappresenta schematicamente il processo di alimentazione delle banche dati del sistema NIDAS che avviene raccogliendo informazioni e documenti ricevuti/importati da fonti digitali e documentali esterne (s1, s2, s3, …) potenzialmente provenienti da ospedali ed enti sanitari in qualsiasi lingua e da qualsiasi nazione), mediante programmi software addestrati (a1, a2, a3, …) che si connettono periodicamente alle dette sorgenti dati e importano informazioni e documenti rilevanti (i1, i2, i3, …) da indicizzare nel sistema NIDAS. Prima di essere inseriti nella banca dati NIDAS (processo di indicizzazione) le informazioni vengono sottoposte ad un procedimento di classificazione (processore “c”) che consiste nell’individuare i metadati da estrarre da dette informazioni in input allo scopo di attuare le formazione di aggregazioni (clusters) tra casi e sommari clinici comparabili;

la fig.2 – PROCESSO DEI FATTI E PRODUZIONE DEI METADATI illustra in maggior dettaglio il lavoro del processo di classificazione “C” di fig.1: i documenti importati relativi a trattamenti sanitari per specifiche patologie, sono definiti anche ‘fatti’ dai quali vengono estratte delle proprietà, cosidette ‘entità’ o ‘metadati’, che vengono immagazzinati nel sistema NIDAS;

la fig. 3 – FORMAZIONE DEI CLUSTER mostra come all’interno della banca dati NIDAS i documenti che hanno in comune entità (metadati) simili vengono aggregati in clusters, prima di essere resi disponibili alla ricerca da parte dei medici;

la fig. 4 invece è un esempio, implementato come applicazione software, di come l’utente del sistema NIDAS può NAVIGARE i cluster di FATTI e scoprire quali pazienti hanno sommari clinici comparabili;

la fig. 5 illustra idealmente il concetto di cluster di pazienti con sommari clinici comparabili: si tratta persone che hanno FATTI e METADATI con valori simili, presenti all’interno del sistema NIDAS;

le figure fig. 6 e 7 sono relative alla tecnica di pesatura delle fonti (cioè l’importanza, o autorevolezza della fonte documentale da cui proviene una informazione importata nel NIDAS) la quale è oggetto del brevetto italiano 0001415701 dello stesso inventore, che costituisce parte integrante della presente domanda di brevetto, e che viene utilizzata nella presente invenzione.

La figura 8 mostra a partire da un Dizionario Tassonomico a sinistra, l’estrazione mediante MAIA (Modello Addestrato di Intelligenza Artificiale) di Metadati utili alla formazione di CLUSTERs di FATTI aventi Metadati con Valori simili.

DESCRIZIONE DETTAGLIATA DELL’INVENZIONE

Il metodo della presente invenzione prevede, come riportato nell’introduzione, una serie di fasi non necessariamente consecutive, né dipendenti tra loro. Si tratta quindi di un metodo ‘non-lineare’ che insegna come eseguire una sequenza di passi per ottenere, da un insieme di documenti e contenuti digitali riconducibili ad una o più lingue parlate (quali: testi digitalizzati, referti, audio digitali trascritti, immagini accompagnate da testi didascalici, ecc.), una raccolta di informazioni sui percorsi di cura applicati a pazienti interrogabile da utenti sanitari allo scopo di analizzare punti di forza e di debolezza e, quindi, individuare i migliori protocolli di azione intrapresi. Quanto segue indica le fasi del metodo trovato (che non sono attuate necessariamente in successione temporale): a) vengono definiti dei dizionari in forma di ‘alberi tassonomici’ semantici, frutto dell’ingegno umano e della esperienza di settore degli operatori sanitari. Lo scopo dei dizionari è quello di classificare in vario modo i contenuti digitali importati dalle sorgenti. I dizionari sono elenchi di parole ed espressioni linguistiche formulate in qualsiasi lingua, cd. ‘voci’. Ogni voce di dizionario può essere indipendente dalle altre presenti o ‘correlata’ ad altre mediante i livelli di alberatura tipici delle tassonomie aventi scopo di classificazione gerarchica di concetti. Differenti dizionari vengono creati per differenti scopi di classificazione. A titolo di esempio, non limitativo, si possono realizzare tassonomie patologiche a più livelli, tassonomie relative alle tipologie documentali (prescrizioni, diari giornalieri, osservazioni cliniche, referti da analisi, referti da visite specialistiche, cartelle di ricovero, storie cliniche, immagini prodotte da apparecchiature elettromedicali, altri tipi documentali), tassonomie per classificare i pazienti in base a loro dati anagrafici o anamnestici, ed altre tassonomie. Ogni tassonomia è atta a classificare, cioè a raggruppare tutte le informazioni digitali in base a criteri di similitudine. Tali criteri di classificazione possono essere definiti dagli utenti interessati ad usare il sistema per la loro area di responsabilità professionale. Ad esempio, non esaustivo: area clinica, area farmacologica, area amministrativa, area emergenza sanitaria, area di guardia territoriale, aree extra-spedaliere, etc. I criteri di classificazione possono essere definiti secondo il bisogno di separare o raggruppare protocolli specifici, e possono riguardare: il genere di paziente, l’età, le condizioni di vita, la storia clinica, l’ambiente in cui vive, le professioni svolte, l’incidenza di fattori ereditari, l’incidenza di fattori territoriali, l’incidenza dell’uso cronico o protratto di determinati farmaci, lo stile di vita, e così via. I dizionari tassonomici non sono entità finite. Nel corso del tempo è sempre possibile raffinare tali tassonomie aggiungendo o modificando i criteri (cioè le ‘voci’) con cui si classificano le informazioni digitali strutturate e non. Ogni “gruppo” di criteri dedicato alla estrazione di entità e alla prodizione di metadati dai FATTI, atto a formare un cluster di informazioni digitali comparabili tra loro, è qui anche denominato MAIA: modello addestrato di intelligenza artificiale. La fig. 8 illustra la formazione di CLUSTERS in base a criteri simili (comparabili) basati su ‘voci’ di dizionario tassonomico;

b) da ogni contenuto, proveniente da qualsiasi fonte digitale connessa mediante reti informatiche, che viene importato mediante sistemi informatici in un elaboratore, allo scopo di essere classificato secondo i criteri contenuti nei dizionari di cui al precedente punto a), vengono estratte delle ‘entità linguistiche’ rilevanti per le finalità del sistema (NIDAS). Ad esempio non limitativo, in uno stesso documento digitale importato da una sorgente esterna, vengono individuate entità presenti in ognuno dei diversi dizionari tassonomici (classi patologiche, tipologia di paziente, tipo di documento sanitario, ecc.) Le entità trovate ‘iscrivono’ tale documento in una o più classi semantiche delle diverse tassonomie. Più saranno i documenti importati e classificati, migliori saranno le aggregazioni che si formeranno, in automatico, tra contenuti comparabili in base ai metadati comuni con cui sono stati classificati. c) indipendentemente dai precedenti punti a) e b) (cioè non in sequenza temporale) una ulteriore fase del metodo oggetto della presente invenzione prevede la costruzione dei ‘sommari clinici’ dei pazienti per i quali sono stati importati un cospicuo numero di informazioni al punto da poter avere di loro un ‘sommario clinico’. Il metodo per costruire il sommario clinico è il seguente: da sorgenti informative digitali sanitarie esterne (s1, s2, s3, … in fig. 1) si importano in ‘modo anonimo’ le informazioni inerenti un certo paziente. L’anonimato è ottenuto per mezzo di codici informatici alfanumerici univoci assegnanti ad ogni paziente, che non contengono nulla che possa servire a scoprire l’identità di una persona (sono quindi esclusi codici fiscali, tessere sanitarie e documenti di identità). Accoppiando tali codici identificativi anonimi, di ogni paziente, con un numero adeguato di dati selezionati fra quelli relativi alle sue patologie curate nel tempo (ad esempio nell’arco degli ultimi tre anni) al tipo di cure cui si è sottoposto, alle cronicità delle malattie, ai fattori di ereditarietà e ambientali/comportamentali, agli esiti ed alla durata/spesa dei trattamenti, è possibile costruire tra tali dati le relazioni significative per costruire il ‘sommario clinico’ degli anni considerati (fig. 5). In questo modo, è possibile rappresentare da un lato, per ogni paziente, l’evoluzione dello stato di salute ed il fabbisogno di cure e somministrazioni farmacologiche; dall’altro è possibile comparare tra loro, come clusters (insiemi di soggetti) le storie cliniche di tanti pazienti ed ottenere la comparazione tra di loro. Lo stesso soggetto può appartenere ad uno o più clusters, secondo una rivisitazione ampliata e rovesciata del primo principio formulato da Euclide nei suoi “Elementi”, vale a dire “è verità evidente che cose uguali ad una stessa cosa sono uguali tra di loro”, principio cui ci siamo ispirati per dire che una ‘storia’ comparabile con un insieme di ‘storie cliniche’ può avere molti punti in comune con un’altra ‘storia’ comparabile con lo stesso insieme. Anche questa fase del metodo non prevede indici di comparabilità definiti una volta per tutte. Deve sempre essere possibile modificare e raffinare i dati da considerare nella costruzione dei ‘sommari clinici’ individuali, in modo da riaddestrare, tutte le volte che serve, il modello di costruzione.

d) (studio dei casi sanitari comparabili su larga scala, mediante analisi Big-Data) Nel precedente punto c) si riferisce di un ‘numero adeguato’ di informazioni da raccogliere per identificare anonimamente la storia clinico-sanitaria di un paziente relativa ad un certo numero di anni recenti. Il metodo trovato prevede di costruire una o più banche dati, informaticamente gestite, entro le quali accumulare grandi quantità di informazioni non-strutturate e classificate, della storia clinica di ogni paziente, provenienti da sorgenti digitali che potenzialmente si esprimono in qualsiasi lingua scritta, che sono in ogni caso ‘relazionate’ agli identificativi anonimi di ogni soggetto presente nel sistema NIDAS. Questa fase di correlazione tra i soggetti anonimi e le informazioni destrutturate importate e raccolte dai documenti sanitari, viene implementata mediante programmi software di alimentazione delle banche dati, opportunamente configurati per mantenere delle correlazioni. In questo modo è possibile sia partire da un cluster di pazienti comparabili, per andare ad analizzare in dettaglio la storia particolare di uno di loro che, viceversa, partire dal dettaglio di un trattamento applicato ad un paziente, per risalire statisticamente al più ampio cluster di pazienti sottoposti allo stesso trattamento, od a trattamenti diversi, per una medesima patologia comparabile, ed analizzare le motivazioni delle scelte fatte dai medici curanti. e) la fase, anch’essa indipendente dalle altre, cd. di ‘pesatura’ (importanza, autorevolezza) di una informazione digitale (documento, referto, diagnosi, indagine, immagine diagnostica, anamnesi, prescrizione, dimissione, etc.) è ottenuta secondo la metodica già riferita al precedente brevetto “peso delle fonti” già citato (vedi fig. 6 e 7) che prevede una ‘configurazione’ del peso di ogni sorgente informativa, in ordine di autorevolezza, e la costruzione automatica, mediante elaborazione informatica, di una ‘matrice di pesi’ adatta a classificare l’importanza di documenti e contenuti in ambito sanitario. La ‘configurazione’ iniziale dei pesi dipende dalle competenze specifiche degli esperti di settore, nel campo sanitario. Tale configurazione può essere modificata e riconfigurata ogni volta che sia necessario migliorare i risultati delle ricerche effettuate dagli utenti con il sistema NIDAS. I dettagli sul metodo di pesatura, nei documenti del citato brevetto.

Degno di nota, all’interno del metodo per realizzare il sistema NIDAS, è il fatto che il processore di classificazione “c” (fig. 1 e 2) utilizza i Modelli Addestrati di Intelligenza Artificiale (MAIA), già descritti nelle fasi a) e b) poco sopra, in questa sezione, dedicati alla classificazione semantica ed all’estrazione delle entità, nonché alla formazione dei clusters.

Un esempio, non esaustivo, di implementazione è la classificazione dei documenti sanitari entro ‘macroclassi’ cui fanno riferimento i dati acquisiti al sistema NIDAS, dalle sorgenti di origine. Una implementazione dell’invenzione già realizzata, attualmente prevede sei modelli addestrati per altrettante macro-classi patologiche: Oncologiche, Malattie Metaboliche, Malattie Degenerative, Malattie Cardio-Vascolari, Malattie Rare, Malattie Autoimmuni, Malattie Infettive e Tropicali. Per ognuna di esse sono previste sottoclassi più capillari e specifiche, necessarie ad organizzare meglio le informazioni acquisite nel NIDAS, sempre allo scopo di aggregare le informazioni presenti nel sistema intorno ai percorsi sanitari adottati.

Per realizzare in concreto le fasi del metodo trovato, sopra descritte, è necessario ricorrere ad un sistema informatico che elabora quanto descritto, che permetta di configurare, addestrare e ri-addestrare agenti software che automaticamente implementano i dizionari tassonomici per la classificazione, programmi che periodicamente attingono da fonti sanitarie digitali i contenuti, strutturati e non, che contribuiscono a realizzare la storia clinica dei pazienti sottoposti a trattamenti e prescrizione terapeutici, modelli informatizzati di intelligenza artificiale che effettuano analisi e aggregazione semantiche delle informazioni sanitarie, applicazioni software attraverso le quali gli utenti possano configurare, addestrare, ricercare, analizzare, visualizzare risultati e contenuti digitali, creare nuovi protocolli di trattamento aggiornati, e così via. Tali artefatti informatici, hardware, reti di connessione, basi di dati, computer, programmi e applicazioni software, sistemi di gestione documentale e di ricerca, si possono realizzare con qualsiasi tecnologia esistente, che sono di per sé noti e non sono oggetto della presente invenzione.

L’invenzione invece riguarda la metodologia di supporto ai medici, con la quale vengono organizzate le informazioni, e viene permessa la ricerca ed il reperimento dei migliori e più autorevoli protocolli per trattare gli specifici casi sanitari.

Ogni implementazione del metodo trovato, in forma di sistema informatizzato di navigazione intelligente nei dati per la analisi di informazioni sanitarie (NIDAS) dotato di intelligenza semantica, deve prevedere applicazioni software e hardware a mezzo dei quali l’utente effettua ricerche e si vede ritornare visualizzati, su un display digitale qualsiasi, i risultati della ricerca, ordinabili almeno in base a peso (importanza) della sorgente (la fonte che ha prodotto il contenuto digitale), comparabilità con il caso trattato e con gli altri dati inseriti dall’utente nella sua ricerca, e datazione temporale.

La visualizzazione ottenuta indica all’utente la tipologia dei risultati ritornati, se cioè si tratta di: a) immagini, b) documenti testuali, c) referti diagnostici, d) documenti audio da ascoltare o video da osservare, e) protocolli complessi contenenti sequenze, testo, immagini diagnostiche e rinvii ad ulteriori contenuti digitali.

L’utente, professionista sanitario, consulta i risultati con il sistema di visualizzazione (display), trovando così in essi indicazioni di supporto, conferma o variazione riguardo al trattamento del caso in cura.

Un effetto tecnico del metodo trovato è quello di rendere disponibili anche alle direzioni sanitarie e alle autorità sanitarie centrali e regionali, mediante un qualunque display digitale collegato in rete al sistema NIDAS implementato, indicazioni relative all’evoluzione delle linee guida utilizzate dai singoli operatori sanitari, nelle cure ai loro pazienti. La metodologia secondo l’invenzione prevede l’acquisizione continua di dati relativi a trattamenti sanitari effettuati su casi reali, prospetticamente in ogni paese del mondo, e la loro aggregazione, cd. clustering, in base ai dati in essi contenuti, e agli esiti dei trattamenti stessi (positivi o negativi per i pazienti.)

Qualora il professionista, utente del sistema informatizzato che implementa la metodologia oggetto della presente invenzione, dopo aver consultato i risultati prodotti dalla ricerca, ritenga di dover definire un diverso protocollo di trattamento del caso in esame, che tenga in parte presente quanto trovato nei protocolli pre—esistenti, ma voglia arricchirlo o cambiarlo in base alla casistica in esame ed alla sua esperienza di professionista, ha a disposizione le funzionalità del sistema NIDAS atte a definire un protocollo nuovo, il quale quindi va ad aggiungersi ai protocolli di cura già esistenti, per la categoria di pazienti ‘comparabili’ al paziente attualmente in cura.

Infine, è bene ribadire quanto già affermato, cioè che tutte le fasi descritte in questa sezione sono temporalmente indipendenti l’una dall’altra. In una implementazione reale, infatti, la disponibilità del sistema NIDAS alle ricerche dell’utente sarebbe immediata, anche nelle fasi preliminari in cui non tutti i dizionari tassonomici, ed i criteri di classificazione e di aggregazione, siano già stati definiti; e anche quando nelle basi dati del sistema non sia presente ancora una notevole massa critica di informazioni sanitarie importate da sorgenti esterne, e relative ai trattamenti cui i pazienti con particolari patologie sono stati sottoposti. Quindi, tutte le configurazioni e le rifiniture semantiche, informatiche e strutturali possono essere implementate progressivamente nel corso del tempo senza che questo limiti minimamente il funzionamento della metodologia e del sistema NIDAS costruito sulla base di essa.

Riassumendo quanto sin qui descritto, costituisce oggetto del presente trovato un metodo, implementato mediante computer, di navigazione intelligente nei dati e nelle analisi sanitarie atto a supportare i medici ad individuare il percorso sanitario ideale a curare patologie diagnosticate nei loro pazienti caratterizzato dal fatto che prevede:

l’impiego di un sistema di banche dati digitali implementate informaticamente per raccogliere e organizzare grandi quantità di informazioni digitali (big-data) non omogenee tra loro, strutturate e non strutturate, attraverso una serie di fasi non-lineari fra loro, cioè non compiute in una sequenza temporale determinata, che comprendono:

a) una fase di Definizione e Configurazione di Dizionari Semantici (inerenti l’ambito sanitario) in forma di tassonomie strutturate ad albero, multilivello, addestrate di significato da parte di esperti del settore, implementate mediante un’applicazione software ed una pluralità di archivi digitali elaborati da computer e conservati in memorie digitali, i quali Dizionari Semantici, denominati Modelli Addestrati di Intelligenza Artificiale (agenti MAIA) sono utilizzati nelle fasi successive allo scopo di classificare informazioni digitali e raggruppare le informazioni aventi proprietà con valori simili;

b) una fase indipendente dalle altre fasi qui descritte, di Acquisizione e Classificazione Continua in cui delle applicazioni software costantemente in esecuzione in modo autonomo, anch’essi “agenti MAIA” (Modelli Addestrati di Intelligenza Artificiale) che senza intervento umano, ripetutamente e ad intervalli regolari:

- ricevono “in input” informazioni e documenti digitali da molteplici sorgenti (altrimenti dette fonti), cioè sistemi esterni (s1, s2, s3, … sn);

- effettuano l’analisi del contenuto di ogni informazione in ingresso, estraendo da essa delle “entità” (tipicamente, espressioni linguistiche in qualsiasi lingua scritta) semanticamente significative, necessarie a classificare la stessa informazione, comparando l’informazione digitale in ingresso con i Dizionari Semantici in quel momento disponibili allo stato dell’arte, descritti in fase a), mediante algoritmi di confronto linguistico disponibili allo stato dell’arte;

- classificano l’informazione originaria in ingresso in base alle entità da essa estratte utilizzando i Dizionari Semantici disponibili, e trasferiscono l’informazione d’origine e tutti i metadati di classificazione, nel detto sistema NIDAS; e aggregano le informazioni trasferite nel sistema NIDAS (Clustering) mediante processi automatici in modo da costruire, aggiornare e mantenere i raggruppamenti tra le “informazioni clinico-sanitarie” comparabili relative a pazienti, la cui identità resta del tutto anonima;

detti agenti software “MAIA” ed il sistema NIDAS, essendo implementati ed eseguiti da qualsiasi computer o dispositivo dotato di microprocessore e memoria; e se dislocati in più computer o dispositivi diversi, essendo collegati tra loro mediante connessioni di rete telematica, anche pubblica (internet);

c) una fase, parallela ed indipendente dalle altre fasi a) e b), di Costruzione dei Sommari Clinico-Sanitari dei pazienti anonimizzati, ottenuta mediante implementazione di processi semantici elaborati da computer; detti processi semantici essendo implementati attraverso detti agenti MAIA utilizzando un set adeguato di dati strutturati sufficiente ad aggregare tutte le informazioni storiche relative ad un paziente identificato anonimamente (cioè con codifica alfanumerica diversa da codice fiscale, numero di tessera sanitaria o di documento di identità), e mediante algoritmi disponibili allo stato dell’arte per comparare semanticamente le informazioni trasferite nel NIDAS con i Dizionari Tassonomici, allo scopo di formare il sommario clinico-sanitario temporale (relativo agli anni più recenti) di ogni paziente presente nel NIDAS, incluso il fabbisogno di cure correlato ad ognuno di loro; e

d) una ulteriore fase, opzionale e sempre indipendente dalle altre, detta di “Pesatura” eseguita mediante un programma software elaborato da qualsiasi computer, consistente nell’assegnare una matrice di pesi alle informazioni ed alle entità estratte da esse, “indicizzate” (cioè raccolte, classificate e raggruppate semanticamente) nel sistema NIDAS, in modo tale da definire “relazioni di maggiore/minore importanza” tra le informazioni stesse, quando vengono consultate e analizzate dai medici e gli altri operatori sanitari che effettuano ricerche mediante il sistema NIDAS.

Detto metodo inoltre prevede che il trasferimento di informazioni nelle banche dati del sistema NIDAS avviene attingendo da fonti, dette sorgenti, di informazione digitale più disparate come: altre banche dati, sistemi di conservazione di documenti digitali, fonti internet, accessibili mediante connessione, periodica e ripetuta, a reti telematiche; dette connessioni essendo attivate per mezzo di programmi automatici, comunemente chiamati ‘agenti connettori’ (a1, a2, a3,) che prelevano i dati aggiornati che vanno trasferiti al NIDAS.

Nel caso in cui le informazioni ricevute dalle sorgenti digitali siano documenti digitali nonstrutturati, cioè di formati diversi, essi vengono processati come “FATTI” da un processore di classificazione “c”, vale a dire che i citati ‘agenti MAIA’ attribuiscono loro delle entità, dette “metadati”, cioè informazioni che descrivono un insieme di dati, tipicamente estratte dai FATTI, scelti fra : data di creazione e di ultima modifica della informazione, autore, autorevolezza della sorgente (mediante matrice di pesatura della fonte), lingua del documento, classificazione e ambito del documento secondo una tassonomia specifica per l’ambito dei documenti relativi a trattamenti sanitari, ed altre entità individuate automaticamente per mezzo degli agenti e dei Dizionari Semantici disponibili nel sistema NIDAS.

Nel caso in cui la sorgente di informazioni digitali sia una banca dati strutturata, le informazioni prelevate in formato “tabellare” vengono ugualmente processate da agenti che ne estraggono proprietà specifiche, quali: timbro temporale del dato, il settore sanitario o “erogatore” che alimenta la sorgente dati, i riferimenti personali anonimi dei pazienti trattati, la classificazione delle patologie e delle cure applicate, note sulla durata ed esito dei trattamenti, diari giornalieri intra-ospedalieri ed extra-ospedalieri, la classificazione di eventuali prescrizioni terapeutiche e somministrazioni farmacologiche, ed altre entità configurate negli agenti MAIA e nei Dizionari Semantici disponibili nel sistema NIDAS.

Detto metodo comprende, ulteriormente, delle funzionalità implementate informaticamente, dette di “Ricerca e Analisi dell’Utente”, eseguibili mediante un qualsiasi computer, consistenti in: ricevere dagli utenti, tipicamente i medici incaricati di curare pazienti, interrogazioni dette “query di ricerca” o semplicemente “query” le quali sono formulate:

a) selezionando e imputando parametri di ricerca, oppure

b) scrivendo una domanda in linguaggio naturale umano in una qualsiasi lingua scritta, attraverso una applicazione software, visualizzata dal display di un qualsiasi dispositivo digitale o computer munito di dispositivi di input; ed

- una fase di “Risposta” in cui il sistema NIDAS elabora le query dell’utente eseguendo le seguenti operazioni:

c) il sistema NIDAS indirizza le ricerche dell’utente contemporaneamente su tutte le banche dati che indicizzano le informazioni ricevute dalle sorgenti esterne, senza che l’utente sia obbligato a specificare quali banche dati interrogare;

d) NIDAS raggruppa, mediante agenti MAIA addestrati, ed in base ai concetti linguistici espressi dall’utente durante le ricerche, i risultati delle ricerche in modo da fornire all’utente raggruppamenti di informazioni comparabili, simili tra loro);

e) NIDAS restituisce alle ricerche dell’utente anche risultati non-testuali, ad esempio immagini diagnostiche, radiografiche, eccetera, laddove i “tipi” di FATTI (documenti digitali di formati diversi) inseriti nelle banche dati NIDAS siano stati indicizzati come “non-testuali” e siano stati corredati da entità (didascalie, descrizioni, misure) estraibili utilizzando prodotti allo stato dell’arte di riconoscimento testi in immagini digitali;

f) l’utente, al momento della formulazione della query, ha a disposizione funzioni software dette ‘filtri’ per scegliere il formato, o ‘tipo’, dei documenti e dei dati che vuole ottenere in risposta alla sua ricerca.

Secondo una peculiarità del metodo oggetto del trovato, i raggruppamenti costruiti dal sistema NIDAS, hanno tutti valore semantico e comprendono: la lista delle informazioni concettualmente simili o riconducibili al significato linguistico della query inviata dall’utente, la lista dei risultati aggregati in base alle patologie ricercate dall’utente, la distribuzione numerica dei risultati distinti in base a diversi trattamenti adottati a fronte di una stessa patologia, la lista dei raggruppamenti basati sul miglior/peggior esito ottenuto, la lista dei dati aggregati attorno alla durata delle cure per pazienti patologicamente comparabili con la query inviata dall’utente, etc.

Un’altra caratteristica peculiare del metodo oggetto del trovato sta nel fatto che per analizzare quale sia il “percorso di cura ideale”, le fasi di Definizione e Configurazione di Dizionari Semantici, Acquisizione e Classificazione Continua Clustering, Costruzione dei Sommari Clinico Sanitari e Pesatura precedentemente illustrate, nonché il trasferimento di informazioni nelle banche dati del sistema NIDAS da fonti (sorgenti) di informazione digitale le più disparate si attuano ed elaborano le informazioni indipendentemente l’una dall’altra e senza un ordine temporale determinato, analizzano e “pesano” grandi quantità di dati e documenti digitali per fornire agli utenti medici del sistema NIDAS, indicazioni sui protocolli sanitari adottati dagli erogatori di servizi di salute (anche detti health providers) di qualsiasi nazione e lingua, per tutte le tipologie patologiche diagnosticabili, mettendo a disposizione degli altri operatori sanitari tutti i dati anonimizzati necessari a ricostruire il sommario clinico di ogni paziente, allo scopo di comparare clusters (raggruppamenti) di pazienti aventi sommari e storie cliniche simili o uguali tra loro.

Un’altra caratteristica del trovato consiste nel fatto che il ‘peso complessivo’ di un ‘Fatto’ indicizzato nel sistema NIDAS, riconducibile ad un documento, un referto, un insieme di documenti inerenti la cura di uno specifico paziente in un determinato arco di tempo, come il sommario clinico, è costituito dalla misura della ‘pesatura’ della sorgente che ha originato la singola informazione digitale composta con altri criteri di rilevanza, selezionati fra: età del paziente, data di inizio e fine del trattamento di cura, categorie patologiche cui il dato si riferisce.

Detto metodo è ulteriormente caratterizzato dal fatto che le fasi di elaborazione delle informazioni vengono processate da computer o dispositivo digitale di elaborazione dati dotato almeno di:

- unità microprocessore di elaborazione dati ad una o più pipeline (detti ‘core’), memoria volatile non inferiore a 64 GigaByte, memoria permanente di dimensione non inferiore a 1 TeraByte, una componente grafica composta di hardware e software per visualizzare immagini composta da microprocessore grafico e da una memoria volatile dedicata alla elaborazione grafica, dispositivi di input a caratteri, a puntamento ed a sensori di tatto, almeno una unità di visualizzazione a display di qualsiasi dimensione, - detti dispositivi di elaborazione a microprocessore sono dotati di un qualsiasi sistema operativo software in grado di eseguire programmi scritti in qualsiasi linguaggio di programmazione, opportunamente compilati;

- dette fasi di elaborazione sono implementabili in qualsiasi linguaggio di programmazione, ed eseguibili su qualsiasi sistema operativo software, installato su qualsiasi dispositivo a microprocessore per l’elaborazione di dati e documenti digitali.

Da quanto sin qui descritto risultano evidenti i vantaggi derivanti dall’invenzione, che così di riassumono:

Un primo vantaggio è dato dalla possibilità di usare una grande quantità (big-data) di informazioni di natura sanitaria per ricostruire, da documenti digitali non strutturati, anni di sommario clinico dei pazienti mantenendo il più assoluto anonimato relativamente alle persone curate.

Un secondo vantaggio è quello di permettere la condivisione, pur mantenendo l’assoluta privacy, delle informazioni relative ai trattamenti applicati ai pazienti appartenenti ad un’intera popolazione, od anche di popolazioni appartenenti a diverse nazionalità e lingue, non solo a tutti i medici che utilizzano il sistema NIDAS ma anche ad altre autorità sanitarie di un dato territorio interessate a conoscere i profili di salute della popolazione allo scopo di prevedere il fabbisogno sanitario in base alle reali esigenze del territorio che amministrano, mediante un qualunque computer o dispositivo digitale dotato di display, collegato al sistema NIDAS in rete telematica.

Un terzo innegabile vantaggio e, forse, il più importante, è che ogni medico può utilizzare il sistema, implementato secondo il metodo della presente invenzione, per conoscere quanto di meglio altri medici colleghi operano per affrontare gli stessi casi sanitari, potenzialmente in qualsiasi parte del mondo, e di contribuire egli stesso all’evoluzione e all’innovazione dei migliori percorsi di cura per patologie diagnosticate.

Un altro vantaggio consiste nel continuo ingresso (input) di informazioni digitali sanitarie trasferite nel sistema NIDAS, cosa che assicura l’aumento progressivo del volume degli ‘indici’ (cioè le banche dati organizzate come precedentemente descritto) del NIDAS, a beneficio degli utenti che, giorno dopo giorno, potranno contare su informazioni sempre più complete e aggiornate per analizzare sommari e casi sanitari comparabili con il quadro patologico dei pazienti che hanno in cura, e trovare o ideare il miglior percorso di cura.

Claims (12)

1. RIVENDICAZIONI 1) Un metodo, implementato mediante computer, di navigazione intelligente nei dati e nelle analisi sanitarie per supportare i medici a definire il percorso sanitario ideale a curare patologie diagnosticate nei loro pazienti, caratterizzato dal fatto che prevede l’impiego di un sistema di banche dati digitali implementate informaticamente per raccogliere e organizzare grandi quantità di informazioni digitali (big-data) non omogenee tra loro, strutturate e non strutturate, mediante una serie di fasi non-lineari fra loro, cioè non compiute in una sequenza temporale determinata, che comprendono: a) una fase di Definizione e Configurazione di Dizionari Semantici (inerenti l’ambito sanitario) in forma di tassonomie strutturate ad albero, multilivello, addestrate di significato da parte di esperti del settore, implementate mediante un’applicazione software ed una pluralità di archivi digitali elaborati da computer e conservati in memorie digitali, i quali Dizionari Semantici, denominati Modelli Addestrati di Intelligenza Artificiale (agenti MAIA) sono utilizzati nelle fasi successive allo scopo di classificare informazioni digitali e raggruppare le informazioni aventi proprietà con valori simili; b) una fase indipendente dalle altre fasi qui descritte, di Acquisizione e Classificazione Continua in cui delle applicazioni software costantemente in esecuzione in modo autonomo, anch’essi “agenti MAIA” (Modelli Addestrati di Intelligenza Artificiale) che senza intervento umano, ripetutamente e ad intervalli regolari: - ricevono “in input” informazioni e documenti digitali da molteplici sorgenti (altrimenti dette fonti), cioè sistemi esterni (s1, s2, s3, … sn); - effettuano l’analisi del contenuto di ogni informazione in ingresso, estraendo da essa delle “entità” (tipicamente, espressioni linguistiche in qualsiasi lingua scritta) semanticamente significative, necessarie a classificare la stessa informazione, comparando l’informazione digitale in ingresso con i Dizionari Semantici in quel momento disponibili allo stato dell’arte, descritti in fase a), mediante algoritmi di confronto linguistico disponibili allo stato dell’arte; - classificano l’informazione originaria in ingresso in base alle entità da essa estratte utilizzando i Dizionari Semantici disponibili, e trasferiscono l’informazione d’origine e tutti i metadati di classificazione, nel detto sistema NIDAS; e aggregano le informazioni trasferite nel sistema NIDAS (Clustering) mediante processi automatici in modo da costruire, aggiornare e mantenere i raggruppamenti tra le “informazioni clinico-sanitarie” comparabili relative a pazienti, la cui identità resta del tutto anonima; detti agenti software “MAIA” ed il sistema NIDAS, essendo implementati ed eseguiti da qualsiasi computer o dispositivo dotato di microprocessore e memoria; e se dislocati in più computer o dispositivi diversi, essendo collegati tra loro mediante connessioni di rete telematica, anche pubblica (internet); c) una fase, parallela ed indipendente dalle altre fasi a) e b), di Costruzione dei Sommari Clinico-Sanitari dei pazienti anonimizzati, ottenuta mediante implementazione di processi semantici elaborati da computer; detti processi semantici essendo implementati attraverso detti agenti MAIA utilizzando un set adeguato di dati strutturati sufficiente ad aggregare tutte le informazioni storiche relative ad un paziente identificato anonimamente (cioè con codifica alfanumerica diversa da codice fiscale, numero di tessera sanitaria o di documento di identità), e mediante algoritmi disponibili allo stato dell’arte per comparare semanticamente le informazioni trasferite nel NIDAS con i Dizionari Tassonomici, allo scopo di formare il sommario clinico-sanitario temporale (relativo agli anni più recenti) di ogni paziente presente nel NIDAS, incluso il fabbisogno di cure correlato ad ognuno di loro; e d) una ulteriore fase, opzionale e sempre indipendente dalle altre, detta di “Pesatura” eseguita mediante un programma software elaborato da qualsiasi computer, consistente nell’assegnare una matrice di pesi alle informazioni ed alle entità estratte da esse, “indicizzate” (cioè raccolte, classificate e raggruppate semanticamente) nel sistema NIDAS, in modo tale da definire “relazioni di maggiore/minore importanza” tra le informazioni stesse, quando vengono consultate e analizzate dai medici e gli altri operatori sanitari che effettuano ricerche mediante il sistema NIDAS.
2. 2. Metodo come alla rivendicazione precedente caratterizzato dal fatto che il trasferimento di informazioni nelle banche dati del sistema NIDAS avviene attingendo da fonti, dette sorgenti, di informazione digitale più disparate come: altre banche dati, sistemi di conservazione di documenti digitali, fonti internet, accessibili mediante connessione, periodica e ripetuta, a reti telematiche; dette connessioni essendo attivate per mezzo di programmi automatici, comunemente chiamati ‘agenti connettori’ (a1, a2, a3,) che prelevano i dati aggiornati che vanno trasferiti al NIDAS.
3. 3. Metodo come alla rivendicazione 1 caratterizzato dal fatto che nel caso in cui le informazioni ricevute dalle sorgenti digitali sono documenti digitali nonstrutturati cioè di formati diversi, vengono processati come “FATTI” da un processore di classificazione “c”, vale a dire che i citati ‘agenti MAIA’ attribuiscono loro delle entità, dette “metadati”, cioè informazioni che descrivono un insieme di dati, tipicamente estratte dai FATTI, scelti fra : data di creazione e di ultima modifica della informazione, autore, autorevolezza della sorgente (mediante matrice di pesatura della fonte), lingua del documento, classificazione e ambito del documento secondo una tassonomia specifica per l’ambito dei documenti relativi a trattamenti sanitari, ed altre entità individuate automaticamente per mezzo degli agenti e dei Dizionari Semantici disponibili nel sistema NIDAS.
4. 4. Metodo come alla rivendicazione 1 caratterizzato dal fatto che nel caso in cui la sorgente di informazioni digitali sia una banca dati strutturata, le informazioni prelevate in formato “tabellare” vengono ugualmente processate da agenti che ne estraggono proprietà specifiche, quali: timbro temporale del dato, il settore sanitario o “erogatore” che alimenta la sorgente dati, i riferimenti personali anonimi dei pazienti trattati, la classificazione delle patologie e delle cure applicate, note sulla durata ed esito dei trattamenti, diari giornalieri intraospedalieri ed extra-ospedalieri, la classificazione di eventuali prescrizioni terapeutiche e somministrazioni farmacologiche, ed altre entità configurate negli agenti MAIA e nei Dizionari Semantici disponibili nel sistema NIDAS.
5. 5. Metodo secondo la rivendicazione 1, caratterizzato dal fatto che comprende, ulteriormente: - funzionalità implementate informaticamente, dette di “Ricerca e Analisi dell’Utente”, eseguibili mediante un qualsiasi computer, consistenti in: ricevere dagli utenti, tipicamente i medici incaricati di curare pazienti, interrogazioni dette “query di ricerca” o semplicemente “query” le quali sono formulate: a) selezionando e imputando parametri di ricerca, oppure b) scrivendo una domanda in linguaggio naturale umano in una qualsiasi lingua scritta, attraverso una applicazione software, visualizzata dal display di un qualsiasi dispositivo digitale o computer munito di dispositivi di input; ed - una fase di “Risposta” in cui il sistema NIDAS elabora le query dell’utente eseguendo le seguenti operazioni: c) il sistema NIDAS indirizza le ricerche dell’utente contemporaneamente su tutte le banche dati che indicizzano le informazioni ricevute dalle sorgenti esterne, senza che l’utente sia obbligato a specificare quali banche dati interrogare; d) NIDAS raggruppa, mediante agenti MAIA addestrati, ed in base ai concetti linguistici espressi dall’utente durante le ricerche, i risultati delle ricerche in modo da fornire all’utente raggruppamenti di informazioni comparabili, simili tra loro); e) NIDAS restituisce alle ricerche dell’utente anche risultati non-testuali, ad esempio immagini diagnostiche, radiografiche, eccetera, laddove i “tipi” di FATTI (documenti digitali di formati diversi) inseriti nelle banche dati NIDAS siano stati indicizzati come “non-testuali” e siano stati corredati da entità (didascalie, descrizioni, misure) estraibili utilizzando prodotti allo stato dell’arte di riconoscimento testi in immagini digitali; f) l’utente, al momento della formulazione della query, ha a disposizione funzioni software dette ‘filtri’ per scegliere il formato, o ‘tipo’, dei documenti e dei dati che vuole ottenere in risposta alla sua ricerca.
6. 6. Metodo come alla precedente rivendicazione caratterizzato dal fatto che i raggruppamenti costruiti dal sistema NIDAS, hanno tutti valore semantico e comprendono: la lista delle informazioni concettualmente simili o riconducibili al significato linguistico della query inviata dall’utente, la lista dei risultati aggregati in base alle patologie ricercate dall’utente, la distribuzione numerica dei risultati distinti in base a diversi trattamenti adottati a fronte di una stessa patologia, la lista dei raggruppamenti basati sul miglior/peggior esito ottenuto, la lista dei dati aggregati attorno alla durata delle cure per pazienti patologicamente comparabili con la query inviata dall’utente, etc.
7. 7. Metodo secondo una qualunque delle precedenti rivendicazioni, caratterizzato dal fatto che le fasi di elaborazione delle informazioni vengono processate da computer o dispositivo digitale di elaborazione dati dotato almeno di: - unità microprocessore di elaborazione dati ad una o più pipeline (detti ‘core’), memoria volatile non inferiore a 64 GigaByte, memoria permanente di dimensione non inferiore a 1 TeraByte, una componente grafica composta di hardware e software per visualizzare immagini composta da microprocessore grafico e da una memoria volatile dedicata alla elaborazione grafica, dispositivi di input a caratteri, a puntamento ed a sensori di tatto, almeno una unità di visualizzazione a display di qualsiasi dimensione - detti dispositivi di elaborazione a microprocessore sono dotati di un qualsiasi sistema operativo software in grado di eseguire programmi scritti in qualsiasi linguaggio di programmazione, opportunamente compilati. - dette fasi di elaborazione sono implementabili in qualsiasi linguaggio di programmazione, ed eseguibili su qualsiasi sistema operativo software, installato su qualsiasi dispositivo a microprocessore per l’elaborazione di dati e documenti digitali.
8. 8. Metodo secondo una qualunque delle rivendicazioni precedenti caratterizzato dal fatto che per analizzare quale sia il “percorso di cura ideale”, le fasi descritte nelle riv. 1 e 2 elaborano le informazioni indipendentemente l’una dall’altra e senza un ordine temporale determinato, analizzano e “pesano” grandi quantità di dati e documenti digitali per fornire agli utenti medici del sistema NIDAS, indicazioni sui protocolli sanitari adottati dagli erogatori di servizi di salute (anche detti health providers) di qualsiasi nazione e lingua, per tutte le tipologie patologiche diagnosticabili, mettendo a disposizione degli altri operatori sanitari tutti i dati anonimizzati necessari a ricostruire il sommario clinico di ogni paziente, allo scopo di comparare clusters (raggruppamenti) di pazienti aventi sommari e storie cliniche simili o uguali tra loro (fig. 5).
9. 9. Metodo secondo una qualunque delle rivendicazioni precedenti caratterizzato dal fatto che il ‘peso complessivo’ di un ‘Fatto’ indicizzato nel sistema NIDAS, riconducibile ad un documento, un referto, un insieme di documenti inerenti la cura di uno specifico paziente in un determinato arco di tempo, come il sommario clinico, è costituito dalla misura della ‘pesatura’ della sorgente che ha originato la singola informazione digitale composta con altri criteri di rilevanza, selezionati fra: età del paziente, data di inizio e fine del trattamento di cura, categorie patologiche cui il dato si riferisce.
10. 10. Metodo come una qualunque delle rivendicazioni precedenti caratterizzato dal fatto che il sistema NIDAS è sempre disponibile a processare le query degli utenti, cioè le interrogazioni espresse tanto in linguaggio umano naturale quanto tramite imputazione di parametri e selezione di filtri operate per mezzo di applicazioni software, ed a visualizzare mediante display i risultati delle query nei formati selezionati dagli utenti, in forma di liste, raggruppamenti, tavole di valori, grafici, calendari di storia clinica, dettagli di trattamenti sanitari, statistiche, distribuzioni di dati numerici aggregati; la continuità della disponibilità del sistema NIDAS ad elaborare query non essendo dipendente e non essendo ostacolata (bloccata) da nessuna delle fasi di elaborazione descritte nel metodo.
11. 11. Metodo secondo una qualunque delle rivendicazioni precedenti caratterizzato dal fatto che le informazioni a supporto delle ricerche effettuate da un qualsiasi utente medico con il sistema NDIAS, in relazione ai casi comparabili con un paziente che abbia in cura, sono rese disponibili ad altre utenze, quali le autorità sanitarie preposte a livello regionale e nazionale, mediante un computer o dispositivo digitale dotato di display, collegato al sistema NIDAS in rete telematica.
12. 12. Metodo secondo una qualunque delle rivendicazioni precedenti caratterizzato dal fatto che il continuo ingresso (input) di informazioni digitali sanitarie trasferite nel sistema NIDAS, assicura l’aumento progressivo del volume degli ‘indici’ (cioè le banche dati organizzate come precedentemente descritto) del NIDAS, a beneficio degli utenti che, giorno dopo giorno, potranno contare su informazioni sempre più complete e aggiornate per analizzare sommari e casi sanitari comparabili con il quadro patologico dei pazienti che hanno in cura, e trovare o ideare il miglior percorso di cura.