AFFILIAZIONE
politecnico di milano
AUTORE PRINCIPALE
Ing. Ignoranza Ida
VALUTA IL CHALLENGE[ratingwidget]
GRUPPO DI LAVORO
Ing. Ignoranza Ida – politecnico di milano, milano
Ing. Campo Matteo – politecnico di milano, milano
Ing. Cravero Silvio – asst fatebenefratelli sacco, milano
AREA TEMATICA
Applicazioni di intelligenza artificiale in sanità
ABSTRACT
Con l’aumentare del costo e della complessità delle apparecchiature mediche, i professionisti in materia “Healthcare Technology Management” (HTM) dell’Ingegneria Clinica, hanno sempre più bisogno di strumenti per monitorare la manutenzione e l’ubicazione dei dispositivi medici di uso comune allocati nell’ambiente ospedaliero. Tuttavia, i sistemi computerizzati di gestione della manutenzione – ampiamente utilizzati negli ospedali – oggigiorno, non sono progettati per fornire al servizio di Ingegneria Clinica, una visione dettagliata ed automatizzata del piano manutentivo e del parco apparecchiature.
In questo caso, l’applicazione dell’intelligenza artificiale (Artificial Intelligence – AI) può rivoluzionare il sistema di gestione dell’Ingegneria Clinica con l’obiettivo di contribuire a migliorarne l’efficienza, automatizzando le attività di routine, riducendo i costi relativi e assistendo i professionisti nel loro processo decisionale.
Il processo di analisi di AI avviene utilizzando i dati macchina raccolti attraverso il software di gestione delle apparecchiature biomediche operative presso i Presidi con l’intento della realizzazione di due principali obiettivi.
L’obiettivo primario è quello di riuscire a fornire periodicamente e automaticamente, un piano manutentivo agli HTM Professionals, sulla base delle segnalazioni dei problemi relativi ai dispositivi medici. L’AI diventa quindi fondamentale, per realizzare una classifica delle tipologie di guasti delle apparecchiature mediche ordinando e orientando le priorità di intervento manutentivo. Tale ranking, viene effettuato dall’AI, sulla base di determinate informazioni riguardanti ove possibile la segnalazione del device e considerando i Key Performance Indicators (KPIs) prefissati dall’ ASST Fatebenefratelli-Sacco.
Seguendo il medesimo workflow dell’AI potremmo definire un’ulteriore obiettivo inerente la definizione del piano di sostituzione e ammodernamento tecnologico seguendo la logica del tipo “Disinvestement for Investment”.
Tuttavia infine, i dati macchina potrebbero includere anche i flussi di dati raccolti in remoto e automaticamente da più sorgenti e in particolar modo da vari brand multivendor di apparecchiature biomediche, testando le potenzialità dell’AI di piattaforme per uso consumer.
