Quando la domanda è variabile e l’informazione è incompleta, la capacità di prevedere cosa accadrà risulta essenziale per prendere decisioni tempestive, allocare risorse in modo efficiente e ridurre rischi operativi.
Ciò è particolarmente critico nel Pronto Soccorso, dove gli accessi sono eterogenei e fluttuano rapidamente. Qui decisioni come ricovero vs dimissione devono essere prese in tempi stretti e sotto pressione (congestione, disponibilità di risorse, vincoli di posti letto). In assenza di strumenti predittivi robusti, queste scelte possono risultare affrettate o poco consistenti, con effetti come permanenze prolungate e “boarding, ritardi o errori nel percorso diagnostico, aumento del rischio clinico-operativo, utilizzo non ottimale delle risorse (ricoveri evitabili o dimissioni “fragili” che portano a nuovi accessi).
Per questo è necessario un approccio guidato dai dati che supporti il forecasting del rischio di ricovero/ri-ammissione dopo un ritorno in PS, migliorando sia la qualità dell’assistenza sia l’efficienza operativa.
L’implementazione è stata sviluppata in un pronto soccorso hub di grandi dimensioni con accessi giornalieri prossimi a 200 pazienti.
Approccio metodologico
Step 1 — Analisi multivariata con modelli interpretabili
Uso di modelli interpretabili per capire quali fattori incidono maggiormente sui nuovi ricoveri dopo un ritorno in Pronto Soccorso.
Step 2 — Selezione dei modelli predittivi più accurati
Implementazione e confronto di un portafoglio di modelli di machine learning (es. Random Forest e Gradient Boosting) per stimare la probabilità di ricovero in seguito a una nuova visita in PS.
Risultati
Key insights
Maggiore probabilità di ricovero dopo un nuovo accesso in PS per persone con patologie croniche, età più giovane e nazionalità straniera. Alcuni segnali clinici (parametri vitali) e l’arrivo con mezzi di emergenza risultano associati a una minore probabilità di ricovero successivo
Prestazioni di previsione
I modelli di machine learning, in particolare Gradient Boosting, hanno superato gli approcci tradizionali (modello logit), raggiungendo circa 80% di recall e precision, quindi previsioni più affidabili.
Decisioni più proattive, migliore efficienza
L’integrazione di dati storici e informazioni disponibili in tempo reale supporta i responsabili del PS nel prendere decisioni più informate e tempestive, migliorando sia la qualità dell’assistenza sia l’efficienza operativa.