Gli sforzi per automatizzare l’assistenza sanitaria hanno avuto inizio alla fine degli anni ’50. Sebbene i primi tentativi di offrire servizi sanitari at- traverso l’uso di sistemi computerizzati sono apparsi alla fine del 1950 [54], i primi veri e propri prototipi di CDSS sono stati implementati e utilizzati nella pratica clinica a partire dal 1970 [22, 35, 76]. Inizialmente essi affron- tavano solo tipi semplici di decisioni cliniche quali ad esempio, riconoscere se il risultato di un test di laboratorio è fuori dal range normale di valori, o se un farmaco ha una pericolosa interazione con un altro. Il loro impatto sulla pratica clinica non è stato da subito quello previsto. I problemi che hanno impedito l’introduzione e la diffusione di tali sistemi sono stati diversi, dalle limitazioni delle basi scientifiche a disposizione, alle difficoltà logistiche che
gli sviluppatori incontrarono nel tentativo di incoraggiare i medici a utilizza- re e accettare sistemi che non erano ben integrati nel loro normale flusso di lavoro.
Sistemi di supporto alle decisioni cliniche introdotti negli anni ’70 sono: AAHELP [22], un sistema di supporto alla diagnosi differenziale del dolo- re addominale acuto e basato sul ragionamento bayesiano; INTERNIST-I [61] un sistema di supporto alla diagnosi nell’ambito della medicina genera- le interna (1974) e MYCIN [76], un sistema esperto basato su regole per la diagnosi e il trattamento delle infezioni nel sangue.
Negli anni ’80 sono stati commercializzati invece sistemi di supporto alle decisioni di successo come DXplain [34] e QMR [61]. DXplain è un sistema di supporto alle decisioni basato sul ragionamento bayesiano che produce una sorta di graduatoria di tutte le possibili diagnosi che potrebbero spiegare (o essere associate) determinate manifestazioni cliniche. Per ciascuna diagnosi fornisce inoltre, il motivo per il quale dovrebbe essere considerata. QMR è un sistema di supporto decisionale di tipo diagnostico, con una vasta base di conoscenza che contiene informazioni su diverse malattie, sulle caratteristiche di ognuna e sulle correlazioni che tra queste possono esistere.
L’avvento del World Wide Web alla fine degli anni ’90 ha cambiato ra- dicalmente le organizzazioni sanitarie e di conseguenza anche l’architettura dei sistemi usati in questo contesto. Per la prima volta, infatti, si è iniziato a pensare di poter accedere a una variegata collezione di risorse informative in modo uniforme utilizzando un comune browser. Sono nati così i primi CDSS ai quali si poteva accedere tramite il web. È degli anni ’90 un sistema che supporta i medici nella prescrizione di antibiotici e altri farmaci per la cura delle infezioni [70].
Molti CDSS sviluppati e commercializzati nei primi anni 2000 sono an- cora in uso. Tra questi LISA [45] per la diagnosi della leucemia linfoblastica acuta infantile e RETROGRAM [82] per la diagnosi e il trattamento del- l’HIV. Entrambi sono attualmente utilizzati nella pratica clinica e sono in continuo sviluppo e aggiornamento. ATHENA (Assestment and Treatment
of Hypertension: Evidence-Based Automation)invece, è un CDSS sviluppato per supportare gli operatori sanitari nella gestione dell’ipertensione nell’am- bito della medicina di base [40]. Il sistema, basato su regole, implementa le linee guida cliniche del settore. In [32] uno dei primi CDSS di tipo interatti- vo. Esso è in grado di interagire con gli utenti e apprendere automaticamente nuove conoscenze dalle esperienze di quest’ultimi. La sua base di conoscenza risulta essere dinamica e auto evolutiva, contrariamente a quanto avviene nei CDSS convenzionali che utilizzano di solito una base statica di conoscenze e che trascurano i feedback dai pazienti. Anche in [60] è stato presentato un si- stema di supporto che facilita la comunicazione tra infermieri, team di pronto intervento e medici attraverso un’interfaccia web. Il motore computazionale combina tecniche di ML e regole decisionali.
Nel corso degli anni, molti sono i CDSS sviluppati per supportare gli operatori sanitari nella scelta e definizione dei trattamenti terapeutici. La somministrazione di farmaci è, infatti, una delle pratiche cliniche di routine più comuni per i medici ed è fondamentale per la salute dei pazienti. Questa attività comprende un processo decisionale in cui il medico deve decidere la dose e la frequenza delle somministrazioni di un farmaco sia sulla base delle caratteristiche dei pazienti che della propria esperienza clinica. I CDSS aiutano a rendere questo processo più rapido, poco costoso, non invasivo e molto più accurato. Tra gli altri si ricorda il Drug Administration Decision Support System (DADSS) [92]. Il CDSS aiuta medici e infermieri a calcolare la dose di farmaco ottimale da prescrivere per il trattamento di una certa malattia. Il sistema è basato su tecniche di ML e in particolare su Support Vector Machine. Diverse applicazioni sanitarie inoltre, sono state sviluppate per il monitoraggio dei pazienti nel loro ambiente domestico. Lavori recenti mostrano che la maggior parte delle applicazioni in tale contesto forniscono ai pazienti delle linee guida convenzionali e alcuni promemoria per quanto riguarda i farmaci da prendere e le attività fisiche da seguire. Rientra in questa categoria Smart CDSS [44], un sistema intelligente in grado di fornire ai pazienti consigli in base al loro stato di salute giornaliero.
Nell’attuale contesto clinico e sanitario, sempre più spesso i CDSS vengo- no messi a disposizione degli utilizzatori attraverso applicazioni su smartpho- ne. Il sistema chiamato PTT (Partial Thromboplastin Time) Advisor [74] è tra questi. Esso supporta i medici nella gestione del follow-up di pazienti con PTT prolungato.
Altri CDSS sviluppati di recente sono: [83] e [39]. Il CDSS in [83] suppor- ta gli utenti nella definizione, nella gestione e nella valutazione di studi clinici attraverso la creazione di modelli rischio-beneficio. In [39] viene presentato un sistema basato su tecniche di ML per il monitoraggio e la diagnosi delle infezioni che si possono facilmente contrarre in un contesto ospedaliero. Il sistema usa diverse tecniche di apprendimento automatico al fine di:
• estrarre automaticamente la conoscenza contenuta in documenti clinici sia strutturati che non strutturati
• integrare la conoscenza degli operatori del settore
• generare dinamicamente nuove conoscenze fornendo una motivazione semplice e comprensibile per ciascuna decisione suggerita