Diversi i progetti avviati nelle strutture sanitarie italiane, ma restano diversi ostacoli da superare, a partire dall’interoperabilità dei dati.
La sanità in Italia (e non solo) sta iniziando a sfruttare i big data e l’intelligenza artificiale (IA) per anticipare rischi di malattie, migliorare diagnosi e ottimizzare la gestione clinica. Queste tecnologie non sono più concetti astratti: in diversi ospedali e centri di ricerca italiani vengono già sperimentate applicazioni concrete di predizione e supporto decisionale basate sui dati reali dei pazienti.
Progetti italiani di intelligenza artificiale e predizione clinica
Un progetto sviluppato all’IRCCS San Matteo di Pavia ha applicato l’IA per stimare il rischio di infezioni del sito chirurgico utilizzando dati correnti raccolti durante il percorso clinico dei pazienti (incluse cartelle cliniche, esami di laboratorio e referti). Questo tipo di modello consente di identificare precocemente pazienti ad alto rischio, così da adottare misure preventive specifiche prima che l’infezione si manifesti.
Al Grande Ospedale Metropolitano Niguarda di Milano è stato realizzato un data lake clinico per raccogliere e analizzare in modo tempestivo dati eterogenei dei pazienti, inclusi eventi clinici e dati COVID-19 durante la pandemia. Questo sistema utilizza tecnologie di machine learning e IA per automatizzare l’analisi dei dati e supportare decisioni cliniche rapide nei reparti.
Humanitas AI Center, presso l’omonimo ospedale e centro di ricerca vicino a Milano, è un esempio di come un grande ospedale stia progressivamente integrando l’IA in specifici ambiti della pratica clinica per migliorare diagnostica, decision support e gestione dei percorsi di cura. Qui data scientists, medici e specialisti digitali collaborano per sviluppare strumenti che interpretino immagini mediche, dati di laboratorio e altri dati clinici per accelerare diagnosi e ottimizzare trattamenti.
Photo: Pexels / MedPoint 24
Un’altra esperienza significativa è quella dell’Asst di Vimercate, dove un progetto di intelligenza artificiale è stato sviluppato per creare strumenti di supporto alle decisioni cliniche e applicazioni predittive per patologie croniche come diabete e insufficienza renale. Qui i modelli predittivi integrano dati di esami del sangue, anamnesi clinica e parametri di terapia per migliorare la gestione dei pazienti.
Dal laboratorio alla corsia: come cambia il lavoro
Queste applicazioni sono più di semplici prototipi: in molti casi vengono integrate nei flussi operativi giornalieri. Al Policlinico San Matteo, ad esempio, il modello di predizione non solo identifica pazienti a rischio più elevato, ma permette di adattare i protocolli di sorveglianza post-operatoria e di prevenzione in modo più tempestivo, riducendo complicanze e tempi di ricovero.
Allo stesso modo, le infrastrutture come il data lake di Niguarda consentono ai medici di avere una visione integrata del profilo clinico del paziente e dei trend epidemiologici in tempo reale, trasformando dati altrimenti frammentati in informazioni operative per la diagnosi e gestione clinica.
Health Big Data: infrastruttura nazionale e casi d’uso
Il progetto Health Big Data è una delle principali iniziative italiane dedicate alla sanità predittiva. Coordinato dal Ministero della Salute e finanziato con 55 milioni di euro dal Ministero dell’Economia e delle Finanze, è un’infrastruttura tecnologica nazionale che collega 51 Irccs per raccogliere, integrare e analizzare dati clinici e genomici. La piattaforma federata consente di sviluppare modelli predittivi condivisi mantenendo la protezione dei dati sensibili nei singoli centri.
In oncologia, per esempio, i dati genomici e clinici raccolti attraverso questa infrastruttura vengono utilizzati per costruire modelli in grado di individuare segnali precoci di tumori complessi, con l’obiettivo di anticipare le diagnosi e definire percorsi terapeutici su misura. Inoltre, attraverso collaborazioni pubblico-private, come l’accordo siglato nel 2025 con Farmindustria, i dati real world dei pazienti vengono utilizzati per generare evidenze scientifiche e migliorare le pratiche cliniche basate su IA.
Photo: Freepik / creativeart
Le sfide concrete e le prospettive future
Nonostante questi progressi, restano sfide operative. Ospedali e regioni stanno lavorando per superare ostacoli come l’interoperabilità dei dati (ossia la capacità di fare “parlare” sistemi diversi), la standardizzazione delle cartelle cliniche elettroniche e l’adozione generalizzata di piattaforme interoperabili.
Analisi recenti mostrano come molte strutture abbiano già adottato applicazioni di IA in ambiti come radiologia, neurologia e cardiologia, ma con livelli di maturità diversi a seconda delle risorse disponibili e delle strategie di investimento digitale. In prospettiva, l’uso di tecniche come federated learning e modelli interpretabili consentirà di combinare la privacy dei dati con modelli predittivi robusti, portando la sanità predittiva italiana da progetti pilota a pratica clinica consolidata.
Photo cover: Pexels / Tima Miroshnichenko
