Dati, Progetti e Best Practices per il Rafforzamento del SSN
Risparmi annui stimati con adozione AI (10-15%, media 12,5% della spesa sanitaria)
Fonte: Rome Business School, 2023 (Report AI, p.32)
Tempo settimanale dei medici di medicina generale dedicato a attività non cliniche (23h/40h)
Fonte: Centro Studi Assinform (cit. Policy Paper / RBS Report p.32)
Riduzione accessi pronto soccorso e degenze grazie al telemonitoraggio integrato AI
Fonte: HealthTech360, 2025 (cit. Policy Paper)
Valore stimato del mercato dell'IA in sanità in Italia entro il 2030 (CAGR 44,72% da 0,17 Mld nel 2022).
Fonte: Rome Business School, 2023 (Report AI, p.27, 30)
Degli over 65 in Italia utilizza dispositivi digitali per monitorare la salute. L’IA può rendere questi strumenti più intelligenti e proattivi.
Fonte: Dati Italia (cit. Report RBS/Policy Paper)
Percentuale di attività nel settore sanitario e sociale che potrebbe essere automatizzata mediante IA entro il 2030.
Fonte: OCSE (cit. Rome Business School Report AI, p.27, 45)
Risparmi stimati a livello mondiale
all'anno
Fonte: M&G Investments, 2022 (cit. Policy Paper)
Chatbot AI avanzati (es. AMIE di Google) mostrano precisione diagnostica talvolta superiore ai MMG (specie respiratorio/cardiovascolare) e migliori punteggi su qualità conversazione (inclusa empatia).
Nota: La relazione umana resta insostituibile; IA come supporto.
Fonte: Google Research / Documento Utente
Un MMG dovrebbe lavorare 27 ore/giorno per seguire 2.500 pazienti adeguatamente.
L'IA può alleggerire automatizzando attività ripetitive, migliorando monitoraggio remoto cronici e offrendo supporto decisionale.
Fonte: JAMA / Documento Utente
Coinvolge 1.500 ambulatori MMG con piattaforma IA per:
Obiettivo: Personalizzazione cure, liberare tempo per relazione medico-paziente.
Fonte: Agenas / Documento Utente
Dei MMG italiani vede l'IA come leva strategica per sanità più efficiente e sostenibile.
Richieste: Formazione, infrastrutture digitali, garanzie etiche.
Fonte: Survey MMG Italia / Documento Utente
I medici di medicina generale in Italia dedicano alla burocrazia:
23 ore su 40 settimanali (circa il 58% del tempo lavorativo).
Tassi di burnout post-pandemia: picchi del 63% tra i medici.
Fonte: Centro Studi Assinform / Dati AMA (cit. Policy Paper / RBS Report p.32)
Ambito: Cure primarie, Case della Comunità (tutta Italia).
Tecnologia: Suite algoritmi Decision Support, ML per stratificazione rischio, Telemedicina, Chatbot.
Soggetti: AGENAS (Min. Salute), Partner tecnologici PNRR, Medici Medicina Generale, Infermieri.
Obiettivi: Supporto AI per diagnosi, terapie, prevenzione (specie cronici). App paziente per monitoraggio. Presa in carico proattiva (>1,5M cronici entro 2026). Riduzione ricoveri evitabili.
Risultati/KPI Attesi: Riduzione accessi PS, > aderenza terapeutica, < tempi attesa. KPI: n. professionisti/Case utilizzatori, n. pazienti con piano ottimizzato, tassi ospedalizzazione cronici. Risparmi da percorsi appropriati.
Fonte: AGENAS, PNRR M6, forumpa.it (cit. Policy Paper)
Ambito: Geriatria, Diagnostica per immagini (Osp. Sant’Eugenio).
Tecnologia: Algoritmi IA per analisi volumetrica cerebrale su RM + test neuropsicologici.
Soggetti: ASL Roma 2 (Osp. Sant’Eugenio), Geriatri, Radiologi.
Obiettivi: Identificare precocemente atrofia cerebrale in anziani con disturbi cognitivi (Alzheimer, demenze).
Risultati: Aumentata sensibilità diagnostica, rilevati segni precoci di atrofia. 133 pazienti esaminati nei primi 8 mesi.
Fonte: ASL Roma 2, agenzianova.com (cit. Policy Paper)
Ambito: Screening territoriale (Diabetologia, Oculistica).
Obiettivo: Screening diffuso retinopatia diabetica con IA, diagnosi precoce, ottimizzazione risorse.
Risultato Chiave: 100% sensibilità IA per casi moderati/severi.
Tecnologia: Visione artificiale per analisi foto fondo oculare + algoritmo classificazione.
Soggetti: ASL Torino 5, Centri diabetologici/oculistici territoriali, Politecnico di Torino.
Risultati Studio Pilota (637 pazienti): Specificità elevata (evitate visite inutili). Risparmio stimato: ~200 visite specialistiche evitate/1000 screening. Equità: prevenzione in aree remote (camper mobili).
Fonte: ASL TO5, dirittoallasalute.net (cit. Policy Paper)
Ambito: Emergenza territoriale (rete stroke).
Obiettivo: Ridurre i tempi di trattamento nell'ictus tramite diagnosi rapida su TAC.
Risultato Chiave: Tempi “door-to-needle” ridotti mediamente di 15-20%.
Tecnologia: Algoritmi di pattern recognition su TAC cerebrali + sistema di allerta rapida neuroradiologo.
Soggetti: AREU Lombardia (Emergenza Urgenza); Ospedali hub/spoke stroke; Fornitore software (es. RapidAI).
KPI Clinici: Tasso di pazienti con occlusione trattati < 6 ore aumentato; esiti funzionali a 90 giorni migliorati (mRS score).
Efficienza: Razionalizzazione trasferimenti secondari, riduzione falsi positivi.
Fonte: AREU Lombardia (cit. Policy Paper)
Ambito: Prevenzione personalizzata territoriale.
Obiettivo: Individuare soggetti ad alto rischio di carcinoma pancreatico e attuare interventi preventivi mirati.
Risultato Chiave: Individuate lesioni pancreatiche precancerose in anticipo in alcuni partecipanti.
Tecnologia: Machine learning predittivo su dati clinici e di stile di vita; App mobile + wearable; Algoritmi di risk scoring adattivo (“frugal AI”).
Soggetti: Policlinico Gemelli IRCCS con Università Cattolica; Consorzio EU Horizon2020.
Fase Pilota: Oltre 100 soggetti ad alto rischio arruolati. L’IA ha identificato diversi fattori combinati di rischio.
Impatto Atteso: Aumento sopravvivenza, riduzione costi terapie avanzate.
Fonte: Policlinico Gemelli, policlinicogemelli.it (cit. Policy Paper)
Ambito: Sanità pubblica, Epidemie (territorio/nazionale).
Obiettivo: Creare rete di sorveglianza nazionale sull’antibiotico-resistenza (AMR).
Risultato Chiave: In un caso, l’analisi AI ha previsto un incremento di Candida auris, permettendo di contenere l’outbreak (mortalità <5% vs >20%).
Tecnologia: Piattaforma big data con algoritmi predittivi di trend su dati microbiologici (AI per early warning).
Soggetti: SIMIT (Soc. Italiana Malattie Infettive); 30 centri infettivologici; Ministero Salute.
Funzionamento: IA aggrega dati laboratori, analizza per predire scenari diffusione, suggerisce interventi. Genera report epidemiologici per piani antibiotici regionali.
Fonte: SIMIT, dirittoallasalute.net (cit. Policy Paper)
Ambito: Chirurgia mini-invasiva (Urologia, Chirurgia oncologica).
Obiettivo: Migliorare gli esiti chirurgici riducendo invasività e complicanze.
Risultati Chiave: Tempi degenza dimezzati, minori perdite ematiche, recupero più rapido.
Tecnologia: Robot chirurgico Da Vinci X (controllo computerizzato, visione 3D, filtraggio tremori).
Soggetti: Istituto Clinico Humanitas Mater Domini (Varese); produttore: Intuitive Surgical.
Dettagli: L’adozione del robot ha permesso di aumentare il volume di interventi complessi eseguiti con tecnica mini-invasiva. Oltre 3000 interventi robot-assistiti eseguiti in urologia.
Fonte: Humanitas Mater Domini, lombardiaspeciale.regione.lombardia.it (cit. Policy Paper)
Ambito: Ricerca clinica e supporto decisionale (Oncologia e altre specialità).
Obiettivo: Estrarre rapidamente conoscenze da letteratura e dati per supportare medici e ricerca.
Risultato Chiave: Riduzione tempo per review bibliografiche complesse.
Tecnologia: Elaborazione NLP e machine learning su letteratura scientifica e banche dati cliniche.
Soggetti: IRCCS Ospedale San Raffaele (Milano).
Funzionamento: Piattaforma AI analizza pubblicazioni e database, fornendo mappe concettuali. Identificazione riutilizzi farmaci o correlazioni non evidenti. Es: suggerite nuove combinazioni terapie oncologiche.
Fonte: IRCCS San Raffaele, lombardiaspeciale.regione.lombardia.it (cit. Policy Paper)
Ambito: Analisi dati clinici, Modelli predittivi.
Obiettivo: Sviluppare modelli predittivi e percorsi di cura personalizzati.
Risultato Chiave: Creazione Gemelli Generator RWD.
Tecnologia: Piattaforma Foundry di Palantir.
Soggetti: Policlinico Universitario A. Gemelli IRCCS, Palantir Technologies.
Descrizione: Utilizzo della piattaforma Foundry per analizzare i dati clinici del Policlinico, migliorare esiti e efficienza. Valorizzazione Real-World Data per ricerca e innovazione.
Fonte: Policlinico Gemelli, businesswire.com (cit. Policy Paper)
Ambito: Cardiologia Ospedaliera.
Obiettivo: Prevedere re-ospedalizzazioni per scompenso cardiaco.
Risultato Atteso: Interventi tempestivi per ridurre re-ospedalizzazioni.
Tecnologia: Piattaforma digitale "Generator Heart Failure DataMart", IA su Big Data.
Soggetti: Policlinico Gemelli (Team Dott. D'Amario).
Dati Usati: Consulti, eco, farmaci, lab, diari infermieristici, ecc.
Fonte: Rome Business School, 2023 (Report AI, p.35)
Esempi significativi dall'Europa e Paesi Nordici.
Screening mammografico con AI (100.000+ donne)
Aumento diagnosi tumore al seno in fase precoce
Riduzione carico di lavoro per i radiologi
Fonte: Lund University, Lancet Digital Health (cit. Policy Paper)
AI (BoneView) per rilevamento fratture in 4 ospedali
8.500 (24%) dimessi subito
6.000 consulenze evitate
250 gg attesa ridotta
Fonte: AuntMinnieEurope, Philips (cit. Policy Paper)
Strategia sanità digitale dal 1999. RAIT (Radiology AI Test Center).
Progetti su gestione proattiva pazienti cronici.
76% clinici ben formati.
Fonte: EOS Intelligence (cit. Policy Paper)
Uso di IA per assistenza anziani (es. Future Care Lab).
Robot assistenziali (Pepper, Paro) per supporto emotivo e pratico.
Algoritmi per ottimizzare piani di cura (Care Design Institute).
Fonte: Rome Business School, 2023 (Report AI, p.41)
La sanità è "alto rischio". Richiede trasparenza, robustezza, supervisione umana. Valutazioni di conformità (CE).
Fonte: Commissione Europea (cit. Policy Paper / RBS Report)
Consorzio UE (Italia inclusa) per testare e validare soluzioni IA e robotica in sanità in ambienti reali. Budget 60M€.
Fonte: Commissione Europea (cit. Policy Paper / RBS Report p.36)
Faciliterà condivisione dati sanitari UE per cura e ricerca, migliorando qualità algoritmi IA.
Fonte: Commissione Europea (cit. Policy Paper / RBS Report p.31)
Analisi dei benefici economici derivanti dall'adozione dell'AI nel settore sanitario italiano e globale.
Riduzione dei costi sanitari grazie all'adozione dell'IA. Circa 21,74 Mld € annui (stima media 12,5%).
Fonte: Rome Business School, 2023 (Report AI, p.32)
Valore previsto entro il 2030, con un CAGR del 44,72% (da 0,17 Mld € nel 2022).
Fonte: Rome Business School, 2023 (Report AI, p.27,30)
Spesa totale nel 2023, +22% rispetto all'anno precedente.
Fonte: Oss. Sanità Digitale Polimi (cit. RBS Report p.30)
Dei leader sanitari italiani sta investendo in IA (vs 59% media globale).
Fonte: Philips Future Health Index (cit. RBS Report p.30)
Dati indicativi per visualizzazione
Nonostante il potenziale, l'adozione dei fondi PNRR per l'IA in sanità e gli investimenti specifici mostrano margini di miglioramento:
Questi dati evidenziano un "grande tema politico e culturale" da affrontare per sbloccare pienamente i benefici dell'IA nel SSN.
Fonte: Oss. Sanità Digitale Polimi (cit. RBS Report p.35) / Documento Utente
Riduzione sprechi, migliore allocazione del personale, gestione efficiente delle scorte e delle attrezzature.
Esempio: AI per logistica ospedaliera.
Diagnosi più rapide e accurate, piani di trattamento personalizzati, riduzione errori medici e degenze ospedaliere.
Esempio: AI in radiologia e patologia.
Accelerazione della ricerca e sviluppo di nuovi farmaci, riduzione dei costi e dei tempi di immissione sul mercato.
Esempio: AI per R&S farmaceutico.
Azioni chiave per massimizzare i benefici dell'AI nel Servizio Sanitario Nazionale.
Creare piattaforme nazionali sicure per la raccolta e condivisione dei dati sanitari (FSE potenziato, EHDS). Garantire standard di interoperabilità per far dialogare i sistemi.
Investire in programmi di formazione continua per il personale sanitario sull'utilizzo etico ed efficace degli strumenti AI. Introdurre competenze digitali nei percorsi universitari medici.
Definire un quadro normativo nazionale che, in linea con l'AI Act europeo, supporti l'innovazione responsabile, garantendo sicurezza, privacy e trasparenza. Creare sandbox regolatorie.
Incentivare partnership tra SSN, università, centri di ricerca e industria per sviluppare e validare soluzioni AI. Finanziare progetti di ricerca applicata.
Promuovere campagne informative sull'AI in sanità per aumentare la fiducia e l'alfabetizzazione digitale. Garantire che le soluzioni AI siano sviluppate con un approccio human-centric.