IA e dati sintetici stanno cambiando la sanità italiana: dai Lea alla programmazione regionale. Ecco cosa stanno facendo le istituzioni e cosa puoi fare ora.
IA e dati sintetici: perché la sanità italiana è a un bivio
Nel 2025 il Servizio sanitario nazionale gestisce ogni giorno milioni di dati: esami, referti, prescrizioni, accessi in pronto soccorso. Una miniera d’oro clinica ed economica che, però, in buona parte resta inutilizzata o usata male.
Al convegno “Net-Health – Sanità in rete 2030” alla Camera, istituzioni e tecnici lo hanno detto chiaramente: i dati li abbiamo, ci manca il modo intelligente di usarli. È qui che entrano in gioco intelligenza artificiale e dati sintetici, due strumenti che possono cambiare davvero il modo in cui programmiamo, finanziamo ed eroghiamo la sanità in Italia.
Questo tema non è teorico. Riguarda le liste d’attesa, l’accesso ai Lea, la sostenibilità dei bilanci regionali, la sicurezza delle cure. E riguarda direttamente le scelte che aziende sanitarie, regioni, startup e fornitori di tecnologia devono prendere adesso, non tra dieci anni.
In questo articolo vediamo:
- cosa significano davvero IA e dati sintetici in sanità
- come li stanno già usando Ministero, Aifa e Iss
- perché la partita dei Lea e delle quote premiali dipenderà sempre più dai dati
- quali passi concreti può fare oggi chi lavora nella sanità italiana per non restare indietro
Cosa sono i dati sintetici e perché servono (subito) alla sanità
I dati sintetici in sanità sono dati “fittizi” generati da modelli di IA che riproducono le caratteristiche statistiche dei dati reali, senza contenere le informazioni personali dei pazienti.
La realtà è semplice: vogliamo usare i dati sanitari per ricerca, pianificazione, sviluppo di algoritmi clinici, ma dobbiamo tutelare la privacy in modo rigoroso. È il classico paradosso italiano: abbiamo database enormi, ma li apriamo poco per paura – fondata – di violare le norme.
I dati sintetici risolvono una parte importante di questo problema:
- proteggono la privacy: nessun record è riconducibile a una persona reale
- permettono di condividere dataset tra regioni, aziende sanitarie, università e imprese
- accorciano i tempi di sviluppo di algoritmi di IA, perché non si è bloccati dai vincoli di accesso ai dati reali in ogni fase
- consentono test e simulazioni di politiche sanitarie (nuovi percorsi di presa in carico, nuove tariffe, nuove modalità di erogazione dei servizi)
Guido Rasi, già direttore Ema, lo ha sintetizzato bene: «L’uso di dati sintetici consentirà di prendere decisioni più veloci, informate e precise». È esattamente qui il punto: non è solo tecnologia, è capacità di decidere meglio.
IA e ministero della Salute: dai registri unici ai modelli predittivi
Il Ministero della Salute non parte da zero. Come ha ricordato Francesco Saverio Mennini, il dicastero sta già lavorando in due direzioni chiave:
1. Registro unico dei dispositivi medici impiantabili
Un registro unico e digitale sugli impiantabili (protesi, pacemaker, valvole ecc.) permette di:
- tracciare il ciclo di vita del dispositivo
- collegare l’uso del dispositivo con gli esiti clinici
- monitorare eventi avversi e richiami
- valutare il rapporto costo/beneficio reale sul campo
Per chi si occupa di procurement, HTA, farmacoeconomia, questo non è un dettaglio: significa passare da scelte guidate dal prezzo a scelte guidate dall’efficacia reale, basata su dati.
2. Modelli predittivi per la programmazione
Sempre Mennini cita i modelli predittivi già attivati. Nella pratica questi modelli possono:
- stimare il fabbisogno di posti letto e personale per area e per patologia
- prevedere i picchi di domanda (influenze, ondate di ricoveri, cronicità scompensate)
- simulare cosa succede se si potenziano servizi territoriali o telemedicina
La combinazione di dati storici + IA + dati sintetici permette di costruire scenari affidabili, utili sia al Ministero sia alle Regioni.
Per chi sviluppa soluzioni di IA clinica o gestionale, agganciarsi a queste iniziative nazionali è strategico: significa parlare la stessa lingua di chi finanzia e regola il sistema.
Aifa e Iss: dai dati grezzi alle decisioni cliniche affidabili
L’altra faccia della medaglia riguarda la qualità dei dati e la loro validazione.
Aifa: usare meglio un patrimonio enorme
Pierluigi Russo (Aifa) lo ha detto senza giri di parole: in Italia il volume di dati sanitari è enorme, ma poco sfruttato. L’Agenzia del farmaco ha in mano flussi preziosi (consumi, prescrizioni, esiti), ma:
- spesso i dati sono silos separati tra regioni e strutture
- i processi decisionali non sempre sono pienamente data-driven
- una parte della spesa sanitaria continua a essere percepita come costo, non come investimento misurabile tramite dati
Quando farmaci innovativi, terapie avanzate e dispositivi costano milioni, la differenza tra “costo” e “investimento” passa da qui: se misuro bene gli esiti e uso l’IA per leggere i pattern, posso riassegnare budget dove producono più salute reale.
Iss: serve un vero framework di validazione nazionale
Luisa Minghetti (Iss) ha centrato un altro nodo decisivo:
«C’è bisogno di un reale framework di validazione standardizzato, calato nelle specificità dei contesti, e di un’armonizzazione dei dati a livello nazionale».
In pratica:
- non basta “fare un algoritmo”, va validato sempre allo stesso modo
- servono criteri condivisi su accuratezza, bias, robustezza, sicurezza
- i dataset devono essere armonizzati: stessa codifica, stesse definizioni, stessi standard
Se ogni regione, ogni Asl o ogni vendor testa i propri modelli con criteri diversi, il risultato è un caos ingestibile:
- algoritmi non confrontabili
- difficoltà a scalarli a livello nazionale
- rischio di disuguaglianze di cura tra territori
Per chi sviluppa soluzioni di IA sanitaria la lezione è chiara: allinearsi fin da subito a standard condivisi sarà determinante per essere adottati su scala nazionale.
Lea, Regioni e quote premiali: perché i dati decidono i soldi
Uno dei passaggi più delicati del convegno ha riguardato Lea, performance regionali e sistema delle quote premiali.
Walter Bergamaschi, del Ministero della Salute, ha evidenziato un punto spesso sottovalutato: non basta guardare ai valori assoluti delle performance. Serve considerare anche il trend di miglioramento.
Dati sintetici e IA al servizio degli indicatori Lea
Gli indicatori Lea si basano su:
- volumi di prestazioni
- tempi di attesa
- copertura vaccinale
- presa in carico delle cronicità
- appropriatezza di ricoveri e prescrizioni
Integrare IA e dati sintetici in questo contesto permette di:
- simulare l’effetto di nuove politiche regionali prima di applicarle
- individuare con precisione quali interventi migliorano davvero gli indicatori
- confrontare territori con strumenti più equi, tenendo conto del punto di partenza e della velocità di miglioramento
Il tema non è solo tecnico: significa decidere come distribuire risorse aggiuntive e premialità tra le Regioni.
Non è (solo) un problema di soldi, ma di governo dei soldi
Antonietta Guerrieri (Agenas) è stata molto netta: «Non c’è un problema di quantità di risorse, ma di governo di queste».
Per questo Agenas sta lavorando a nuovi indicatori di performance focalizzati su efficienza economico-gestionale.
Tradotto:
- non basta spendere tanto o spendere poco
- bisogna misurare come si spende e cosa si ottiene in termini di salute
- IA e analytics diventano strumenti di governo, non solo di reportistica
Novella Luciani (Mef) ha aggiunto un altro tassello politico: «Chiedere più soldi è la strada più facile ma non la migliore per il Paese. Quando si mette una cifra sulla premialità ci vuole coraggio».
Il coraggio, in questa fase, vuol dire una cosa precisa: basare incentivi e penalità su indicatori costruiti bene, trasparenti e dati solidi.
Cosa può fare oggi chi lavora nella sanità italiana
Fin qui il quadro istituzionale. Ma cosa significa, in concreto, per chi dirige un’azienda sanitaria, lavora in una regione, guida una startup in medtech o si occupa di governance clinica?
1. Mettere ordine nei dati interni
Prima ancora dell’IA, serve una strategia dati chiara:
- mappare le principali fonti informative (cartelle cliniche, amministrativi, laboratorio, farmaceutica, territoriale)
- verificare qualità, completezza e standard di ciascun flusso
- avviare progetti di armonizzazione e pulizia dei dati, anche su pochi indicatori ma prioritari (ad esempio, percorsi per scompenso cardiaco, BPCO, oncologia)
Senza questo passaggio, qualsiasi progetto di IA finisce per essere fragile o non scalabile.
2. Sperimentare i dati sintetici in progetti pilota
Un approccio che funziona è partire da casi d’uso mirati:
- simulare nuovi percorsi di presa in carico delle cronicità su dati sintetici
- addestrare un modello di triage per pronto soccorso con dataset sintetico + reale
- testare nuovi sistemi di allocazione delle risorse (sale operatorie, agende visite) senza toccare subito i dati reali
Questo riduce i rischi legali e consente di coinvolgere clinici e direzioni con esempi concreti, non solo con slide.
3. Allinearsi agli standard nazionali in arrivo
Chi lavora su IA sanitaria dovrebbe:
- seguire da vicino le indicazioni di Ministero, Aifa, Iss e Agenas su standard e framework di validazione
- progettare i propri algoritmi pensando già a trasparenza, tracciabilità, auditabilità
- prevedere, fin dall’inizio, metriche di esito clinico ed economico integrate (non solo accuratezza tecnica)
In altre parole, chi investe oggi in IA sanitaria deve ragionare in ottica “IA medicale certificabile”, non in logica di semplice software gestionale.
4. Formare persone ibride: clinici, data scientist, manager
C’è un problema che tutte le realtà serie segnalano: mancano figure ibride che capiscano sia di clinica sia di dati.
Per questo ha senso:
- creare team multidisciplinari (medici, infermieri, data scientist, economisti sanitari)
- investire in formazione mirata su statistica, IA, basi di HTA, uso dei dati in programmazione
- introdurre nei contratti obiettivi legati a progetti data-driven, non solo a volumi di attività
La tecnologia senza competenze adeguate diventa un costo. Con le persone giuste, diventa un acceleratore di qualità e sostenibilità.
Perché il 2026 sarà uno spartiacque per la sanità digitale
Il 2026 è l’anno in cui molti progetti Pnrr in sanità dovranno essere a regime: case e ospedali di comunità, telemedicina, sistemi informativi aggiornati. L’IA e i dati sintetici sono il “motore nascosto” che può far funzionare davvero queste infrastrutture.
Se li usiamo bene:
- i Lea diventano più misurabili e governabili
- le risorse si spostano verso ciò che genera maggiori esiti di salute per euro speso
- le differenze tra regioni possono essere affrontate con criteri oggettivi, non solo politici
Se li usiamo male, o tardi, rischiamo l’effetto opposto: tanta tecnologia acquistata, poca capacità reale di prendere decisioni migliori.
La scelta è aperta adesso.
Chi lavora nella sanità italiana – nelle istituzioni, nelle aziende sanitarie, nelle imprese tecnologiche – ha l’occasione di fare una cosa concreta: trasformare i dati in uno strumento quotidiano di governo clinico ed economico, grazie all’IA e ai dati sintetici.
Vale la pena chiedersi: tra tre anni, vogliamo essere il Paese che ha speso miliardi in digitalizzazione o il Paese che, grazie ai dati, ha ridotto davvero errori, sprechi e disuguaglianze di cura?