L’intelligenza artificiale nel settore sanitario ha ormai superato da tempo la fase sperimentale. Sta già accelerando la ricerca, migliorando il patient journey e supportando la diagnostica. La prossima ondata, guidata dall’AI generativa, promette ancora di più: triage intelligente, gestione clinica automatizzata e interventi tempestivi per i pazienti i cui sintomi indicano un’urgenza.
Le potenzialità sono enormi. Una ricerca commissionata dall’UE all’inizio di quest’anno suggerisce che l’intelligenza artificiale potrebbe recuperare l’equivalente di 252 miliardi di euro attualmente persi a causa dell’inefficienza nel solo processo decisionale clinico. Tuttavia, la valutazione della stessa Commissione europea, pubblicata nell’agosto 2025, ha rilevato che, sebbene il potenziale dell’intelligenza artificiale sia notevole, la sua implementazione nella pratica è in ritardo, ostacolata da dati frammentati e non standardizzati e da infrastrutture digitali obsolete.
Il problema, in altre parole, non è il modello di AI. È piuttosto la qualità dei dati che lo alimentano e, soprattutto, se tali dati siano aggiornati, interconnessi e gestiti in modo sufficientemente accurato da poter essere considerati affidabili.
Questa distinzione è di fondamentale importanza. Una raccomandazione generata dall’AI fuori contesto in ambito commerciale potrebbe comportare che un cliente riceva un’offerta non adeguata. Ma nel settore sanitario, potrebbe significare che un paziente riceva cure inadeguate nel momento sbagliato.
L’ostacolo principale non è la capacità dell’intelligenza artificiale, ma la frammentazione dei dati
Molti sistemi sanitari operano ancora su basi tecnologiche frammentate. Un paziente può interagire con un ospedale, un’assicurazione, una farmacia e un fornitore di servizi di monitoraggio a distanza, ognuno dei quali genera informazioni utili. Ma se tali dati sono confinati in sistemi separati, la promessa dell’intelligenza artificiale diventa molto più difficile da realizzare.
Dalle mie conversazioni con i clienti, è chiaro che questa sfida non è esclusiva di una singola organizzazione o di un singolo Paese. In tutta Europa, e non solo, i sistemi sanitari stanno affrontando la difficoltà di collegare sistemi che non sono mai stati progettati per comunicare tra loro, un problema che sta diventando crescente man mano che lo Spazio europeo dei dati sanitari spinge verso la condivisione transfrontaliera dei dati.
La piattaforma dati federata dell’NHS England offre un modello su come affrontare la questione, fornendo un’infrastruttura di collegamento tra le aziende ospedaliere per casi d’uso quali la gestione delle liste d’attesa e la pianificazione delle dimissioni.
Ma la lezione va oltre qualsiasi singola iniziativa nazionale. Un’infrastruttura che colleghi i dati è necessaria ma non sufficiente. I dati che vi circolano devono anche essere in tempo reale. Un modello di AI non può supportare in modo sicuro il triage, la definizione delle priorità o l’assistenza personalizzata se i dati su cui si basa sono incompleti, in ritardo, inaccessibili o mal gestiti.
La fiducia è la sfida fondamentale nell’adozione delle tecnologie
Il settore sanitario ha un rapporto unico con la fiducia. Le persone potrebbero sentirsi a disagio se l’app di una catena di caffetterie sapesse dove si trovano e inviasse loro un’offerta. Tuttavia, potrebbero accogliere con favore un avviso sanitario proveniente da un dispositivo indossabile se questo le mettesse in guardia in caso di ritmo cardiaco irregolare. La differenza sta nel valore percepito, nella trasparenza e nel controllo.
Il settore assicurativo offre un esempio calzante. Il modello Active Rewards di Vitality, basato sulla piattaforma di streaming di dati in tempo reale di Confluent, collega il monitoraggio dell’attività fisica e gli incentivi personalizzati agli obiettivi di salute individuali, grazie a dispositivi indossabili che registrano l’attività fisica e la frequenza cardiaca durante l’allenamento.
Se gestiti correttamente, questi modelli possono andare a vantaggio sia dell’individuo che dell’assicuratore: le persone vengono incoraggiate a migliorare il proprio stato di salute, mentre gli assicuratori riducono il rischio. L’elemento del real-time non è secondario al modello, ma è proprio ciò che lo rende credibile e commercialmente sostenibile. Una versione dello stesso concetto aggiornata in batch non garantirebbe la reattività che gli assicurati si aspettano né quella richiesta da una modellizzazione accurata del rischio.
Tuttavia, l’esempio di Vitality mostra anche perché la fiducia è così importante. Gli stessi dati che possono aiutare qualcuno a migliorare la propria salute potrebbero creare serio disagio se diffusi su scala troppo ampia o applicati in modi che l’individuo non si aspetta.
Ciò è particolarmente vero ora che l’AI generativa sta diventando sempre più diffusa. Se un sistema di AI assegna priorità a un rinvio o redige un parere clinico, i responsabili del settore sanitario devono sapere su quali dati si basa tale risultato. Hanno bisogno di tracciabilità e verificabilità. Hanno inoltre bisogno di controlli in materia di accesso, crittografia, conservazione dei dati e consenso. Ma soprattutto, hanno bisogno di una chiara supervisione umana nei casi in cui le decisioni potrebbero influire sulla cura dei pazienti.
Come si presenta un sistema sanitario ottimale?
Un sistema sanitario solido basato sull’intelligenza artificiale non è quello in cui ogni processo è automatizzato. È quello in cui i dati giusti raggiungono la persona, il sistema o il modello giusto al momento giusto, con le autorizzazioni appropriate e una traccia chiara di come vi sono giunti.
Ciò significa che i responsabili del settore sanitario dovrebbero concentrarsi su cinque pilastri fondamentali:
- In primo luogo, è necessaria l’interoperabilità. I dati devono poter circolare in modo sicuro tra sistemi, fornitori e regioni, ove possibile, senza costringere medici o pazienti a colmare manualmente le lacune.
- In secondo luogo, hanno bisogno di un contesto in tempo reale. Il monitoraggio a distanza, la capacità ospedaliera, i risultati dei test, il peggioramento delle condizioni dei pazienti e la pianificazione delle dimissioni diventano tutti più preziosi – e affidabili – quando le informazioni sono aggiornate.
- In terzo luogo, hanno bisogno di una governance integrata nella progettazione. La privacy, il consenso, il controllo degli accessi, la tracciabilità e la verificabilità non possono essere aggiunti a posteriori. Devono essere integrati nell’architettura dei dati fin dall’inizio come requisiti ingegneristici.
- Sono necessarie la spiegabilità e la responsabilità. Se l’AI viene utilizzata a supporto delle decisioni, le organizzazioni devono essere in grado di dimostrare quali dati sono stati utilizzati, quali regole sono state applicate e a quale livello si colloca la supervisione umana.
- Infine, hanno bisogno di inclusione. I canali digitali possono migliorare l’accesso per molte persone, ma possono anche creare barriere per coloro che hanno meno dimestichezza con il digitale, sono anziani, vulnerabili o incapaci di orientarsi nei sistemi online. Un servizio sanitario efficiente per alcuni ma inaccessibile ad altri non ha subito una vera trasformazione.
L’infrastruttura in tempo reale è la strategia
Ciò che emerge dalle ricerche condotte dalla stessa Commissione Europea è l’urgente necessità che i sistemi sanitari dispongano dell’infrastruttura di dati necessaria per utilizzare l’AI in modo responsabile, su larga scala e in modo tale che pazienti e medici possano davvero fidarsi.
Ciò significa collegare sistemi frammentati e trasferire i dati in tempo reale, non in batch risalenti al giorno precedente. Gestirli, garantirne la tracciabilità, proteggere le informazioni sensibili pur rendendoli utili: nulla di tutto ciò è semplice. Ma, a mio avviso, è proprio qui che sta il vero lavoro.
L’AI potrebbe rivelarsi una delle tecnologie più influenti che il settore sanitario abbia mai adottato. Ma i modelli da soli non bastano. I dati che li alimentano devono essere aggiornati, gestiti e affidabili. Perché nel settore sanitario, quando i dati falliscono, non è un sistema a soffrirne, ma una persona.