AFFILIAZIONE
Azienda Sanitaria Provinciale di Siracusa
AUTORE PRINCIPALE
Dott. Ing. Pettignano Santo Michele
Registrazione obbligatoria. Una valutazione consentita
login avvenuto
GRUPPO DI LAVORO
AREA TEMATICA
Applicazioni di intelligenza artificiale in sanità
ABSTRACT
AMR e infezioni correlate all’assistenza (ICA) restano una sfida critica nelle ICU, dove i dati microbiologici — pur disponibili — rimangono spesso confinati in referti non strutturati, scarsamente integrabili nei programmi di Antimicrobial Stewardship (AMS) in tempo reale.
Per affrontare questa limitazione è stato sviluppato A.L.I.C.E., un sistema di intelligenza artificiale progettato per trasformare i referti microbiologici di routine in intelligenza clinica strutturata utilizzabile in tempo reale.
La piattaforma integra automaticamente dati provenienti dai sistemi informativi ospedalieri LIS ed EHR, colture microbiologiche, antibiogrammi, valori MIC e terapie antimicrobiche senza richiedere inserimento manuale di nuovi dati. I referti vengono convertiti in dati computabili tramite ALICE-JSON, un modello semantico progettato per rappresentare patogeni, profili di suscettibilità antimicrobica, valori MIC e contesto clinico, consentendo la ricostruzione della timeline infettiva del paziente, la generazione di indicatori epidemiologici come Infection Burden Index e Microbial Pressure Index, e la produzione di documentazione difensiva tracciabile a supporto delle decisioni terapeutiche.
L’architettura combina moduli NLP con un motore deterministico basato su linee guida EUCAST, classificazione MDR/XDR e ontologie clinico-microbiologiche, garantendo output clinici tracciabili e auditabili.
Il sistema è stato valutato in un Proof of Concept su 100 referti microbiologici provenienti da un ambiente di terapia intensiva, ottenendo precisione del 96%, recall del 93% ed errore nella classificazione S/I/R inferiore al 2%. Il tempo medio di elaborazione è stato di 38 secondi per referto, rispetto ai 55 minuti della revisione manuale convenzionale, con una riduzione del carico operativo superiore al 98%. A.L.I.C.E. ha inoltre identificato pattern emergenti di resistenza MDR con un anticipo medio di circa 18 ore rispetto ai metodi di sorveglianza tradizionali.
La piattaforma opera in modalità on-premise, preservando la sovranità dei dati clinici, ed è progettata per interoperare con i framework internazionali FHIR, WHONET e GLASS, facilitando l’integrazione della microbiologia clinica nella governance delle infezioni ospedaliere.
Per affrontare questa limitazione è stato sviluppato A.L.I.C.E., un sistema di intelligenza artificiale progettato per trasformare i referti microbiologici di routine in intelligenza clinica strutturata utilizzabile in tempo reale.
La piattaforma integra automaticamente dati provenienti dai sistemi informativi ospedalieri LIS ed EHR, colture microbiologiche, antibiogrammi, valori MIC e terapie antimicrobiche senza richiedere inserimento manuale di nuovi dati. I referti vengono convertiti in dati computabili tramite ALICE-JSON, un modello semantico progettato per rappresentare patogeni, profili di suscettibilità antimicrobica, valori MIC e contesto clinico, consentendo la ricostruzione della timeline infettiva del paziente, la generazione di indicatori epidemiologici come Infection Burden Index e Microbial Pressure Index, e la produzione di documentazione difensiva tracciabile a supporto delle decisioni terapeutiche.
L’architettura combina moduli NLP con un motore deterministico basato su linee guida EUCAST, classificazione MDR/XDR e ontologie clinico-microbiologiche, garantendo output clinici tracciabili e auditabili.
Il sistema è stato valutato in un Proof of Concept su 100 referti microbiologici provenienti da un ambiente di terapia intensiva, ottenendo precisione del 96%, recall del 93% ed errore nella classificazione S/I/R inferiore al 2%. Il tempo medio di elaborazione è stato di 38 secondi per referto, rispetto ai 55 minuti della revisione manuale convenzionale, con una riduzione del carico operativo superiore al 98%. A.L.I.C.E. ha inoltre identificato pattern emergenti di resistenza MDR con un anticipo medio di circa 18 ore rispetto ai metodi di sorveglianza tradizionali.
La piattaforma opera in modalità on-premise, preservando la sovranità dei dati clinici, ed è progettata per interoperare con i framework internazionali FHIR, WHONET e GLASS, facilitando l’integrazione della microbiologia clinica nella governance delle infezioni ospedaliere.
