L'Intelligenza Artificiale a supporto dell'Ingegneria Clinica: sperimentazione della programmazione automatizzata del piano manutentivo e/o sostitutivo del parco apparecchiature

As the cost and complexity of medical equipment increases, Healthcare Technology Management (HTM) professionals of the Clinical Engineering, increasingly need tools to monitor the maintenance and location of commonly used medical devices located in the hospital environment [1,12,21]. However, computerized maintenance management systems - widely used in hospitals - today are not designed to provide to the Clinical Engineering service, with a detailed and automated view of the maintenance and replacement plan of the equipment fleet. In this case, the application of Artificial Intelligence (AI) can revolutionize the Clinical Engineering management system with the aim of contributing to improving its efficiency, automating routine activities, reducing related costs and assisting professionals in their decision making [5,6,7]. The AI analysis process therefore takes place using the machine data collected through the management software of the biomedical equipment operating at the facilities, with the aim of achieving two main objectives. The primary objective is to be able to periodically and automatically provide a strategic maintenance plan to HTM Professionals, based on reports of problems relating to medical devices. AI therefore becomes fundamental to create a classification of the types of failures of medical equipment by ordering and orienting the maintenance intervention priorities [1]. This ranking is carried out by the AI, on the basis of certain information regarding, where possible, the reporting of the device and considering the Key Performance Indicators (KPIs) useful for the management of electromedical equipment by the ASST Fatebenefratelli-Sacco [96,102]. In particular, Feature Engineering becomes a crucial part of the data preparation process that can then be analyzed using the AI tool. This process consists of the good practice of selecting, transforming or creating new variables (characteristics or "features") starting from raw data in order to improve the performance of machine learning models and with the aim of giving HTM Specialists a clearer view of the state of the hospital equipment fleet. Following the same AI workflow we could define a further objective relating to the definition of the technological replacement and modernization plan following the logic of the "Disinvestment for Investment" type [100,104]. However, finally, machine data could also include data flows collected remotely and automatically from multiple sources and in particular from various multi-vendor brands of biomedical equipment, testing the AI potential of platforms for consumer use.

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 [1,12,21]. Tuttavia, i sistemi computerizzati di gestione della manutenzione - ampiamente impiegati negli ospedali – oggigiorno, non sono progettati per fornire al servizio di Ingegneria Clinica, una visione dettagliata ed automatizzata del piano manutentivo e sostitutivo 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 [5,6,7]. Il processo di analisi dell’AI avviene quindi utilizzando i dati macchina raccolti attraverso il software di gestione delle apparecchiature biomediche operativo 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 strategico 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 [1]. 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) utili per la gestione delle apparecchiature elettromedicali dall’ ASST Fatebenefratelli-Sacco [96,102]. In particolare, il Feature Engineering diviene una parte cruciale del processo di preparazione dei dati da poter poi analizzare attraverso lo strumento AI. Tale processo consiste nella buona pratica di selezionare, trasformare o creare nuove variabili (caratteristiche o "features") a partire dai dati grezzi al fine di migliorare le prestazioni dei modelli di machine learning e con lo scopo di donare agli HTM Specialists, una visiona più nitida dello stato del parco apparecchiature ospedaliero. Seguendo il medesimo workflow dell’AI potremmo definire un ulteriore obiettivo inerente alla definizione del piano di sostituzione e ammodernamento tecnologico seguendo la logica del tipo “Disinvestement for Investment” [100,104]. 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.