Sistemi Poct e machine learning per migliorare la risposta alle crisi sanitarie
Nell’era della telemedicina e del monitoraggio da remoto i Point of care testing (Poct) possono essere un valido strumento per ottimizzare i percorsi diagnostici, velocizzare le decisioni mediche e facilitare la gestione delle malattie in condizioni di emergenza.
Stiamo parlando di una gamma di dispositivi che va dai primi test di gravidanza degli anni ‘70 a quelli per la diagnosi di Covid-19 più recentemente: strumenti che offrono un rilevamento rapido – e potenzialmente preciso – di un certo numero di marcatori clinici di laboratorio, attraverso l’uso di campioni di sangue periferico o urina e strumenti portatili.
Durante la pandemia di Covid-19 l’uso di Poct è aumentato a un ritmo esponenziale. Questi dispositivi si sono rivelati particolarmente utili e versatili per dimensioni, portabilità, praticità e risultati. Il loro valore di mercato a livello globale è valutato in 37,03 miliardi di dollari nel 2021, con un tasso di crescita annuale del 6,8 per cento dal 2022 al 2030.
Anche la diffusione delle malattie croniche ha contribuito all’espansione dei sistemi Poct (basti pensare alla possibilità di diagnosi precoce della tubercolosi, specialmente nei Paesi più poveri).
I progressi di questi strumenti aprono nuovi territori di applicazione. Ad esempio, App che raccolgono i parametri sanitari generali dei soggetti tramite bluetooth e sincronizzano i dati tramite connettività wireless e cloud computing consentendo al personale sanitario e ai pazienti di monitorare e gestire efficacemente la propria salute.
Non mancano le sfide da affrontare.
Tra queste, la conformità della tecnologia alle linee guida o alle principali normative degli enti regolatori (Fda, Efsa) e la sicurezza e la proprietà dei dati da proteggere utilizzando algoritmi di crittografia avanzati.
L’argomento è approfondito in questo articolo.
PREDIRE LA PROSSIMA PANDEMIA
E parlando di pandemie e crisi sanitarie: sarebbe possibile predirle a partire dai dati?
Un recente studio della New York University suggerisce che il machine learning (apprendimento automatico) potrebbe migliorare la nostra capacità di anticipare minacce sanitarie, attraverso l’uso di dati e algoritmi di intelligenza artificiale e lo sviluppo di modelli di apprendimento.
Questo vasto bacino di informazioni potrebbe fornire notizie riguardanti il tipo di sintomi di un paziente o a cosa è stato esposto. Con l’individuazione di modelli si deduce la percentuale di possibilità che succeda qualcosa.
Il sistema dipende dalla qualità, dalla disponibilità e dalla tempestività dei dati. Dunque potrebbe non essere efficiente nel caso ci fosse una lacuna o errori gravi nel modo in cui questi sono stati raccolti.
Un’altra variabile è costituita dal fatto che alcuni pazienti potrebbero non farsi visitare ai pronto soccorso, il che renderebbe impossibile la rilevazione e la sorveglianza di una nuova sindrome.
Maggiori informazioni sono disponibili in questo articolo sul portale Tech2Doc.
Claudia Torrisi