La valutazione del rischio secondo un modello di rete neurale.
Cristiano Roscio (1), Silvano Battaglio (1), Pier Luigi Pavanelli (1)
(1) Azienda Ospedaliera Universitaria “Città della Salute e della Scienza di Torino”
Introduzione. L’Azienda Ospedaliera Universitaria “Città della Salute e della Scienza di Torino” ha messo a punto un modello di valutazione dei rischi basato sul sistema organizzativo-funzionale delle reti neuronali biologiche. La logica neurale, infatti, è in grado di gestire il flusso di informazioni derivanti dal processo di valutazione dei rischi: ogni elemento, in ambito biologico definito recettore, che ha dato origine ad una informazione (segnale) è collegato ad un neurone a sua volta connesso ad una rete. La rete neurale così creata, è in grado di utilizzare tutti i segnali a disposizione, verificare e rimediare all’eventuale assenza di un’informazione, gestendo la valutazione in maniera automatica, controllata, oggettiva e ripetibile. Oltre ad essere caratterizzate da un’elevata velocità di elaborazione, le reti neurali presentano la capacità di elaborare una soluzione da un determinato insieme di esempi pregressi. L'apprendimento automatico (noto in letteratura come machine learning) rappresenta una delle aree fondamentali dell'intelligenza artificiale e si occupa della realizzazione di sistemi e algoritmi che si basano su osservazioni come dati per la sintesi di nuova conoscenza. L'apprendimento può avvenire catturando informazioni di interesse provenienti da esempi, strutture, dati o sensori, per analizzarle e porle in relazione con le altre variabili osservate.
Materiali e Metodi. L’ospedale è un ambiente di lavoro proteiforme, con presenza di persone con caratteristiche, esigenze, competenze ed attitudini diverse (personale dipendente, pazienti, visitatori, ditte esterne, specializzandi, studenti, ecc.), con l’inderogabile compito di erogare un servizio assistenziale, di diagnosi e cura 24 ore su 24. Il punto di partenza per una efficace valutazione dei rischi è la conoscenza approfondita ed aggiornata delle attività e dei processi.
Occorre inoltre differenziare il personale per mansione, classificare i luoghi di lavoro, verificare le procedure già attivate nella struttura (integrare, perfezionare o adeguare all’evolversi della tecnologia e dell’organizzazione), censire gli impianti, le sostanze pericolose, le attrezzature e le apparecchiature di lavoro. Nel processo di valutazione dei rischi viene contemplata una mole di dati non indifferente, provenienti da check list, audit interni, analisi degli incidenti, procedure operative, campionamenti ambientali, rilievi microclimatici e illuminotecnici, DUVRI, verbali, visite ispettive da parte degli organi di vigilanza, DPI assegnati, fabbisogni formativi. Tali dati dovranno essere memorizzati in un unico dataBase, in modo tale da averne copia e tracciabilità nel tempo. L’aspetto strategico sarà poi l’elaborazione dei dati acquisiti, i risultati prodotti permetteranno di programmare interventi di miglioramento al fine di prevenire o ridurre i rischi e le eventuali conseguenze in caso di incidente o infortunio. Tale sistema porterà ad avere dei risultati immediatamente analizzabili sulla base dei dati raccolti, che permetteranno di individuare le zone della struttura dove effettuare gli interventi specifici ed impostare le azioni di monitoraggio continuo. In questo modo si risolve e supera il paradosso in cui è incappato il legislatore quando ha imposto di esprimere con un’immagine statica il DVR, un’attività altamente dinamica che prevede interventi di miglioramento impiantistici, strutturali, formativi, organizzativi, gestionali, ecc. Le reti neurali biologiche, al fine di compiere le operazioni di riconoscimento delle configurazioni assunte dall’ambiente esterno, memorizzazione e reazione agli stimoli provenienti dallo stesso, si servono di un numero imponente di semplici elementi computazionali (neuroni) fittamente interconnessi in modo da variare la loro configurazione in risposta agli stimoli esterni. Nel nostro caso ogni singolo input, sia esso scaturito da una valutazione, un intervento, un nuovo approccio di ordine normativo, modifica, attraverso la rete, l’intero sistema. Il DVR sarà così costantemente aggiornato; sarà
invece necessario scattare, a regolari intervalli di tempo, “fotografie” del DVR, queste sì statiche e con “data certa” per avere uno storico da utilizzare come eventuale copia di backup o da fornire su richiesta agli organi di vigilanza. Nel sistema biologico si può parlare di autoapprendimento, ed i modelli artificiali cercano di catturare questo tratto distintivo della biologia. Ogni neurone si può trovare principalmente in 2 stati: attivo oppure a riposo.
Quando il neurone si attiva esso produce un potenziale di azione (impulso elettrico) che viene trasportato lungo l'assone (figura I).
Figura I Confronto del potenziale d’azione
Una volta che il segnale raggiunge la sinapsi esso provoca il rilascio di sostanze chimiche (neurotrasmettitori) che attraversano la giunzione ed entrano nel corpo di altri neuroni. In base al tipo di sinapsi, che possono essere eccitatori o inibitori, queste sostanze aumentano o diminuiscono rispettivamente la probabilità che il successivo neurone si attivi. Ad ogni sinapsi è associato un peso che ne determina il tipo e l'ampiezza dell'effetto eccitatore o inibitore. L'intera rete ha un numero molto elevato di neuroni e sinapsi che possono operare in modo parallelo e simultaneo, rendendo l'effettiva potenza di elaborazione molto elevata. La rete neurale biologica presenta un'alta tolleranza ad informazioni poco precise, ed ha la possibilità di apprendimento e generalizzazione. La rete neurale artificiale definisce un modello matematico per la simulazione di una rete di neuroni biologici (es. sistema nervoso umano). Per rete neurale artificiale (ANN Artificial Neural Network), si intende una replica artificiale (hardware o simulata via software) delle reti neurali biologiche. Gli studi hanno da tempo dimostrato che un determinato tipo di reti neurali artificiali, quelle con apprendimento supervisionato, a differenza di quanto avviene nei personal computers che devono essere programmati con procedure algoritmiche, sono in grado di individuare la soluzione di problemi che vengono loro posti, apprendendo direttamente dall’esperienza che accumulano, presentando loro ripetutamente una serie di esempi del problema da trattare, corredati delle relative soluzioni. Le reti neurali artificiali simulano quindi il comportamento del cervello umano, che riesce a trovare la soluzione ai vari problemi semplicemente basandosi sull’esperienza del passato. Ogni neurone artificiale, in modo sostanzialmente simile ad un neurone biologico, calcola il segnale in uscita come funzione della differenza fra il prodotto dei segnali di entrata per i rispettivi pesi sinaptici, ed un valore di soglia prefissato (figura II).
Figura II Definizione di un’algebra dell’attività neurale
Tale rete simula i diversi aspetti legati al comportamento ed alle capacità tipiche dell’encefalo e quindi un’elaborazione intelligente, distribuita, un elevato grado di parallelismo, un autoapprendimento ed adattamento. Nel complesso processo di valutazione l’utilizzo della check list, quale strumento oggettivo e standardizzato, si presta bene ad essere modellizzata secondo il principio di una rete neurale artificiale. Ad ogni risposta della check list, affermativa o negativa, verrà associato un peso, venendosi così a generare una combinazione d’ingresso, la cui sommatoria andrà a definire la funzione di attivazione del modello matematico adottato (figura III).
Figura III Modello matematico
Così come un processo neuronale si basa su una rappresentazione sequenziale, partendo da uno strato iniziale (input layer) arrivando allo strato finale (output layer), l’elaborazione delle risposte delle check list, unitamente a tutte le informazioni derivanti dai monitoraggi e rilievi strumentali daranno luogo al nostro output (figura IV).
Figura IV Rappresentazione multilivello
Risultati. Dall’analisi dei dati statistici degli ultimi anni relativi agli infortuni occorsi presso la nostra Azienda Ospedaliera Universitaria, non si è osservato un significativo miglioramento nella riduzione del numero degli eventi, ma piuttosto una situazione di equilibrio con un numero medio che si ripete negli anni, rendendo di fatto necessario l’intervento di nuovi strumenti utili al monitoraggio dei rischi presenti in ambito ospedaliero. Per tale motivo, in via sperimentale, si è adottato il modello di rete neurale per gestire in maniera efficiente il registro infortuni. Dopo la fase preliminare di storicizzazione degli infortuni occorsi negli ultimi anni, si è proceduto ad inserire gli esiti dei sopralluoghi effettuati post-infortunio e le relative azioni intraprese al fine di approfondire o aggiornare la valutazione dei rischi, e di verificare l’idoneità delle attrezzature di lavoro coinvolte nell’evento lesivo. Si è predisposto un meccanismo automatico di generazione di segnalazioni (warning) utile al Servizio di Prevenzione e Protezione nel caso di un nuovo evento o al superamento di una determinata soglia, ad esempio la durata dell’infortunio. L’ampia disponibilità di reports specifici, personalizzabili e parametrizzabili, permette di esaminare in tempo reale l’andamento infortunistico nell’azienda e nelle sue strutture, ricercando le cause più probabili, la distribuzione ponderata degli incidenti, la ricorrenza sul numero di persone esposte o potenzialmente esposte. Gli strumenti per l’analisi dei dati ed il calcolo degli indici di infortunio e di incidente forniscono gli strumenti necessari per la definizione delle priorità d’intervento nell’applicazione delle misure di prevenzione e protezione. Inoltre, grazie alla facoltà di autoapprendimento, il sistema è in grado, sull’analisi della gestione degli infortuni passati, di proporre le soluzioni adottate precedentemente per l’eliminazione o la diminuzione del fattore di rischio che ha generato l’evento infortunistico. In linea più generale, le informazioni acquisite dagli audit di sopralluogo, monitoraggi, rilievi strumentali, eventi formativi, schede mansioni ed osservatorio infortunistico, permettono di effettuare analisi incrociate, al fine di evidenziare eventuali potenziali situazioni di rischio sulla base della
storia pregressa. Questa possibilità ci ha permesso di individuare ed eliminare preventivamente alcune situazioni di rischio critiche che altrimenti non saremmo stati in grado di percepire in una realtà ospedaliera complessa come la nostra. La gestione automatica delle misure di miglioramento e della pianificazione dei provvedimenti da attuare ci potrà permettere di mantenere alti gli standard di salute e sicurezza prefissati.
Conclusioni. Utilizzando l’analogia neuronale, un sistema complesso, come la gestione di un sistema informatizzato Health and Safety, può essere descritto attraverso sottosistemi (reti neurali) che evolvono esse stesse e si correlano tra loro con tutte le possibili interazioni, fino a costituire uno stato finale. Dall’elaborazione delle informazioni d’ingresso sarà possibile definire un valore di rischio per ogni mansione in un determinato luogo di lavoro (gruppo omogeneo). Qualora il risultato non dovesse essere quello definito come atteso, il sistema sarà in grado di intervenire in piena autonomia introducendo un fattore di correzione che andrà a modificare i pesi delle variabili in ingresso dando origine ad un sistema retroazionato (figura V).
Figura V Retroazione di controllo automatico (feedback)
Questo controllo definirà un documento di valutazione dei rischi dinamico, in quanto tiene conto delle modifiche intervenute, le quali a loro volta avranno comportato una riduzione del rischio lavorativo. Tale sistema di elaborazione dell’informazione, che si basa sul paradigma del cervello umano, introduce la possibilità che una rete neurale artificiale possa autonomamente individuare i pattern correlati agli stati di rischio, fornendo quindi uno strumento utile a mantenere sotto controllo il rischio individuato ed analizzato e sottoponendo al tempo stesso, un piano di intervento. Il legame input-output, ovvero la funzione di trasferimento della rete, non viene quindi programmato ma è semplicemente ottenuto da un processo di autoapprendimento basato sull’esperienza di analisi e valutazione pregressa.
Bibliografia
1) Linee guida per gli audit dei sistemi di gestione per la qualità e/o di gestione ambientale – UNI EN ISO 19011 Febbraio 2003 2) Occupational health and safety management system – Requirements – B.S. 18001:2007 3) Decreto Legislativo 9 aprile 2008, n. 81 – Attuazione dell’articolo 1 della legge 3 agosto 2007, n. 123, in materia di tutela della salute e della sicurezza nei luoghi di lavoro. G.U. n. 101 del 30/04/2008 – Supplemento Ordinario n.
108.D. e s.m.i 4) Occupational health and safety management systems – guidelines for the implementation of OHSAS 18001:2007 – S.R. 18002:2008 5) Decreto Legislativo 30 agosto 2009 n° 106 - Supplemento Ordinario n. 142 alla G.U. n. 180 del 5 agosto 2009 6) Buonanno M., Pampols N., Pavanelli P.L.: comunicazione presentata al 9th IOHA International Scientific Conference-Kuala Lumpur Convention Center dal 17 al 19 settembre 2012 dal titolo: “GIS System in the health and safety management” 7) Pavanelli P.L., Pampols N., Buonanno M.: comunicazione scientifica presentata al 19th World Congress on Safety and Health at Work. ILO, International Labour Organization and ISSA International Social Security Association; Istanbul september 2011 dal titolo: “The HSWI Health and Safety Workplace Index. A new method for managing the residual risk in hospitals” 8) I.A., Basheera, M. Hajmeerb 2000. Artificial neural networks: fundamentals, computing, design, and application. Journal of Microbiological Methods 43, 3–31 9) ASCE, 2000. “Artificial neural networks in hydrology. I. Preliminary concepts”. J. Hydro. Eng. ASCE 5, 115–123. 10) Fu, L., 1995. “Neural Networks in Computer Intelligence”. McGraw-Hill, New York. 11) Looney, C.G., 1996. “Advances in feedforward neural networks: demystifying knowledge acquiring black boxes”, IEEE Trans. Knowledge Data Eng. 8 (2), 211–226. 12) Ampazis N., S.J. Perantonis, 2002, “Two higly efficient second-order algorithms for training feedforward networks”, IEEE Transactions on Neural Networks, vol. 13, pp 1064-1074. 13) Rosenblatt F.
1962 ”Principles of Neurodynamics: Perceptrons and the Theory of Brain Mechanism”.
Spartan Books, Washington D.C. 14) Anthony M, Barlett P.L., 1999, “Neural Network Learning: Theoretical Foundations”, Cambridge University Press, Cambridge.
