Prevedere quante persone arriveranno al pronto soccorso nelle prossime ore potrebbe diventare più semplice conoscendo le caratteristiche sociali e demografiche dei quartieri in cui vivono.
È quanto emerge da un nuovo studio pubblicato sulla rivista scientifica npj Digital Medicine, che ha utilizzato l’intelligenza artificiale per analizzare oltre 213.000 accessi ospedalieri in Cina, scoprendo che le informazioni sulla popolazione possono migliorare le previsioni dell’afflusso dei pazienti.
La ricerca, condotta da Qixiu Hu, Yanqing Xu e Guang Li della Wuhan University e del Renmin Hospital of Wuhan University, ha esaminato 213.138 accessi al pronto soccorso, organizzati in 22.883 osservazioni orarie, con l’obiettivo di sviluppare un sistema capace di prevedere il numero di pazienti in arrivo e aiutare gli ospedali a distribuire meglio personale e risorse.
Il problema è comune a molti sistemi sanitari: l’affollamento dei pronto soccorso provoca attese prolungate, ritardi nelle cure e maggiori rischi per i pazienti. Organizzare medici, infermieri e posti disponibili richiede di conoscere in anticipo la domanda di assistenza, che può variare sensibilmente nel corso della giornata. Per cercare di prevedere quante persone arriveranno al pronto soccorso, negli ultimi anni diversi ricercatori hanno sviluppato modelli statistici che analizzano gli accessi precedenti, i giorni della settimana, le stagioni e persino le condizioni meteorologiche. Il motivo è semplice: le ondate di calore, il freddo intenso e le variazioni della temperatura possono influenzare la salute delle persone e, di conseguenza, il numero di pazienti che si rivolgono agli ospedali. Questi strumenti vengono studiati per aiutare le strutture sanitarie a organizzare meglio personale e risorse, anche se non sono necessariamente utilizzati nella gestione quotidiana di tutti gli ospedali. I ricercatori cinesi hanno deciso di fare un passo ulteriore, aggiungendo alle previsioni le caratteristiche sociali e demografiche dei quartieri da cui provengono i pazienti.
L’analisi ha evidenziato differenze importanti tra i quartieri serviti dall’ospedale, soprattutto nella distribuzione delle fasce d’età e nelle tipologie di patologie riscontrate. Queste caratteristiche permettono di descrivere meglio la domanda sanitaria delle diverse comunità e di individuare variazioni che i soli dati meteorologici riescono a rappresentare con minore precisione.
Per elaborare le previsioni è stato utilizzato XGBoost, un sistema di apprendimento automatico capace di analizzare numerose variabili e individuare relazioni statistiche complesse. I ricercatori hanno confrontato diversi modelli, verificando quali combinazioni di informazioni producessero le stime più accurate.
I risultati mostrano che i modelli che integrano le caratteristiche sociali e demografiche dei quartieri ottengono prestazioni migliori rispetto a quelli basati sulle sole informazioni meteorologiche. Il sistema più completo ha raggiunto un errore medio assoluto di 2,62 pazienti per ora, con un coefficiente R² pari a 0,68, un indicatore che misura quanto bene il modello riesce a rappresentare le variazioni osservate. In termini pratici, nelle condizioni studiate, le previsioni si discostavano mediamente dal numero effettivo di accessi di circa due o tre pazienti ogni ora. Una precisione che potrebbe essere utile nella gestione quotidiana delle strutture sanitarie. Conoscere in anticipo i possibili aumenti degli accessi consentirebbe agli ospedali di programmare meglio i turni, distribuire il personale nei momenti di maggiore pressione e organizzare gli spazi destinati all’assistenza. L’aspetto più interessante riguarda però il ruolo delle informazioni territoriali. Lo studio suggerisce che la domanda di cure urgenti possa essere prevista meglio considerando anche le caratteristiche delle comunità da cui provengono i pazienti. La composizione demografica e le condizioni sociali diventano così informazioni utili per comprendere il funzionamento del sistema sanitario, oltre che per studiare le disuguaglianze nella salute.
Questo approccio potrebbe aprire nuove possibilità anche nella programmazione dei servizi pubblici. Integrando dati ospedalieri e informazioni territoriali, le amministrazioni sanitarie potrebbero individuare con maggiore precisione le aree caratterizzate da bisogni assistenziali elevati e valutare dove rafforzare i servizi di prossimità.
