Machine learning methods to predict hospital resources and to support planning

One of the main effects of the pandemic is that pre-COVID19 healthcare utilization decreased by about a third during the pandemic. During such a period, several patients have missed out on much-needed care, such as check-up visits and life-extending interventions for cancer. Addressing unmet needs represents a priority for post-pandemic recovery, and resource planning in healthcare systems plays a fundamental role; indeed, inefficient hospital planning affects the waiting lists for both emergency and elective surgeries, resulting in delayed theatre access for medical operations, compromising surgery outcomes, prolonging hospital stays and consequently increasing costs. In this work, two software tools were developed to support the San Raffaele resource management related to a medium-term range of six months. The first tool relies on a statistical-based analysis of the association between occurred events at the San Raffaele Hospital. Specifically, the ratio of visits (and medical services) to which a hospitalization (or a Diagnostic examination) occurs in a time-window length of six months, has been computed. Also, the average amount of visits (SSN or Private) performed before and after the hospitalization event has been computed. To illustrate its values, two case studies related to the Lombardy tenders of May 2022 have been analyzed; to inspect the effects of visits or surgical interventions increment on the other hospital units. While the first tool is developed through an extensive approach, where the workload in all the medical specialties is inspected, the second method consists in the development of Deep Learning models able to predict the number of admissions in Urology, Cardiology, and Surgery wards in the next six months, to help operational managers to allocate efficiently resources among the inspected hospital wards. Multi-layer neural networks have been trained on clinical histories over six months, built from claims data between 2018 and 2019. Models achieved good results on a test set composed of more than 20’000 clinical histories, with an average AUC of 0,79. As the computed probability is related to a specific medical specialty, the workload of the inspected hospital wards can be adjusted according to the obtained results. In conclusion, the work here developed constitutes a major step forward in the San Raffaele resource planning, supporting the decision-making process with quantitative and deterministic data.

Uno dei principali effetti della pandemia è la diminuzione di circa un terzo dell'utilizzo dell'assistenza sanitaria pre-COVID19 durante la pandemia. Durante questo periodo, i pazienti non hanno svolto numerosi trattamenti necessari, tra cui visite di controllo e interventi di prolungamento della vita per il cancro. Affrontare le conseguenze della mancata cura dei pazienti rappresenta una priorità per la ripresa post-pandemica e la pianificazione delle risorse nei sistemi sanitari svolge un ruolo fondamentale; infatti, una pianificazione ospedaliera inefficiente influisce sulle liste di attesa sia per gli interventi chirurgici di emergenza che per quelli elettivi, causando ritardi nell’effettuazione di operazioni chirurgiche, compromissione degli esiti, prolungamento delle degenze ospedaliere e aumento dei costi ospedalieri. In questo lavoro sono stati sviluppati due strumenti software a supporto della gestione del San Raffaele relativi ad una pianificazione delle risorse a medio termine (sei mesi). Il primo strumento si basa su un'analisi statistica dell'associazione tra eventi avvenuti presso l'Ospedale San Raffaele. In particolare, è stato calcolato il numero medio di visite (e prestazioni mediche) dopo le quali si verifica un ricovero (o un esame diagnostico) in una durata temporale di sei mesi. Inoltre, è stata calcolata la quantità media di visite (SSN o Private) eseguite prima e dopo l'ospedalizzazione del paziente. Per illustrarne la potenzialità, sono stati analizzati due casi studio relativi al bando della Regione Lombardia, nel quale sono stati ispezionati gli effetti di un possibile incremento delle visite o degli interventi chirurgici sulle altre unità ospedaliere. Mentre il primo strumento è sviluppato attraverso un approccio estensivo, in cui è analizzato il carico di lavoro in tutte le specialità mediche, il secondo metodo consiste nello sviluppo di modelli di Deep Learning in grado di predire il numero di ricoveri nei reparti di Urologia, Cardiologia e Chirurgia nei prossimi sei mesi, per supportare i manager ospedalieri ad allocare in modo efficiente le risorse tra i reparti ospedalieri ispezionati. Le Multi-layer neural networks sono state addestrate su storie cliniche dei pazienti lunghe sei mesi, ricostruite utilizzando dati amministrativi registrati negli anni 2018 e 2019. I modelli hanno ottenuto buoni risultati su un set di test composto da oltre 20'000 storie cliniche, con un'AUC media di 0,79. Poiché le ospedalizzazioni predette sono relative a una singola specialità medica, il carico di lavoro dei reparti ospedalieri analizzati può essere regolato in base ai risultati ottenuti. In conclusione, il lavoro qui sviluppato costituisce un importante passo avanti nella pianificazione delle risorse San Raffaele, supportando il processo decisionale con dati quantitativi e deterministici.