Health+ e IA: misurare gli outcome che contano davvero

Health+ e IA nella sanità italiana: perché la “contaminazione” è la leva che manca

La maggior parte delle aziende sanitarie investe in tecnologie digitali, ma pochissime riescono davvero a misurare l’impatto sugli outcome di salute. Il risultato è noto: tanti progetti pilota, poca trasformazione reale.

Nel progetto Health+, raccontato da Paolo Petralia (direttore generale Asl 4 Liguria), c’è un punto chiave che vale la pena prendere sul serio: la contaminazione reciproca tra professionisti, manager, industria e tecnologia, unita a una misurazione rigorosa degli outcome. È esattamente il tipo di impostazione che serve all’IA nella sanità italiana per passare dagli slogan ai risultati clinici.

In questo articolo vediamo come un modello operativo come Health+ può ispirare le aziende sanitarie italiane che stanno lavorando su intelligenza artificiale, telemedicina, diagnostica per immagini e medicina personalizzata. E soprattutto come strutturare un percorso che parta dai dati e arrivi a outcome clinici misurabili.

---

Che cos’è davvero Health+: un laboratorio di metodo, non solo un progetto

Health+ nasce come modello operativo frutto del confronto tra esperti di clinica, management sanitario, data science e industria. Non è un singolo progetto IT, ma un modo diverso di progettare innovazione.

L’idea di fondo è semplice:

prima si definiscono gli outcome di salute che si vogliono migliorare, poi si sceglie quali tecnologie – compresa l’IA – hanno senso per raggiungere quel risultato.

In pratica, Health+ lavora su tre pilastri:

1. Contaminazione reciproca: tavoli di lavoro in cui medici, infermieri, direzioni strategiche, informatici e partner industriali ragionano insieme sui percorsi di cura.
2. Focus sugli outcome: si parte da indicatori clinici e di esperienza del paziente, non dal catalogo delle soluzioni tecnologiche disponibili.
3. Misurazione continua: ogni iniziativa viene pensata già con le metriche e le fonti dati per valutarne l’impatto nel tempo.

Questo approccio è particolarmente adatto ai progetti di intelligenza artificiale in sanità, dove il rischio di disperdere risorse in algoritmi brillanti ma inutilizzati è altissimo.

---

IA e outcome di salute: cosa misurare davvero

Per integrare l’IA nella pratica clinica non basta dimostrare che un algoritmo è accurato. Bisogna dimostrare che cambia in meglio la vita del paziente e rende il sistema più sostenibile.

Cinque categorie di outcome da mettere a terra

Un modello come Health+ può strutturare la misurazione su almeno cinque livelli:

1. Outcome clinici duri

   • mortalità
   • ri-ospedalizzazioni a 30/90 giorni
   • complicanze (es. infezioni post-operatorie)

2. Outcome riferiti dal paziente (PROMs e PREMs)

   • qualità di vita
   • controllo dei sintomi
   • soddisfazione rispetto al percorso di cura

3. Efficienza operativa

   • tempi di attesa
   • durata media della degenza
   • utilizzo di letti e sale operatorie

4. Sostenibilità economica

   • costi per episodio di cura
   • costi evitati (esami o ricoveri inutili)

5. Adozione e usabilità delle soluzioni digitali

   • tasso di utilizzo reale da parte dei clinici
   • aderenza dei pazienti ai percorsi digitali

Per un progetto di IA in diagnostica per immagini, ad esempio, non basta dire che l’algoritmo “vede” il tumore. Un approccio Health+ imporrebbe di chiedersi:

• si anticipa la diagnosi? Di quanto (giorni/mesi)?
• si modificano gli esiti clinici a 1 anno?
• si riducono gli esami inutili o ripetuti?
• i radiologi lo usano davvero o lo aggirano?

Se queste domande non hanno risposta numerica, non siamo ancora davanti a vera innovazione.

---

La “contaminazione reciproca”: perché senza team misti l’IA non funziona

La parola “contaminazione” può sembrare strana in sanità, ma Petralia la usa nel senso più produttivo possibile: far sedere allo stesso tavolo chi non parla lo stesso linguaggio.

Nel contesto dell’IA nella sanità italiana, questo significa creare team misti in cui:

• il clinico definisce il bisogno assistenziale e gli outcome;
• il data scientist traduce il bisogno in dati, feature, algoritmi;
• il manager di ASL/AO valuta sostenibilità, tempi, governance;
• il partner tecnologico industrializza la soluzione;
• il paziente (o le associazioni) portano il punto di vista dell’esperienza di cura.

Esempio pratico: un percorso IA per lo scompenso cardiaco

Prendiamo un percorso di telemonitoraggio con algoritmi predittivi per pazienti con scompenso cardiaco, in linea con l’aggiornamento del Piano Nazionale della Cronicità (PNC) e con l’attenzione a cronicità e nuovi LEA.

In ottica Health+ il progetto non nascerebbe dall’idea “usiamo l’IA”, ma da un obiettivo preciso:

• ridurre le ri-ospedalizzazioni per scompenso del 20% in 12 mesi.

La contaminazione reciproca porta a un disegno diverso rispetto al classico “comprare la piattaforma”:

• i cardiologi definiscono i parametri clinici da monitorare (peso, pressione, frequenza, sintomi);
• gli infermieri propongono il modello organizzativo (chi chiama chi, con quali soglie);
• i data scientist costruiscono un modello predittivo sui dati storici aziendali;
• la direzione strategica decide come integrare il percorso nei budget e negli obiettivi di struttura;
• il partner tecnologico adatta la piattaforma al workflow reale dell’ASL.

Il risultato non è solo un “progetto di telemedicina”, ma un percorso clinico assistenziale digitalmente abilitato, con IA come componente abilitante e non protagonista assoluta.

---

Dalla teoria alla pratica: come impostare un modello Health+ nella propria azienda

Molte direzioni generali vorrebbero replicare esperienze come quella di Asl 4 Liguria, ma non sanno da dove partire. Il percorso, se lo si osserva da vicino, può essere tradotto in pochi passi chiari.

1. Scegliere una patologia o un percorso prioritario

Non tutto si può fare subito. La scelta ideale ricade su aree dove:

• esiste alta variabilità degli esiti tra reparti/territori;
• i costi sono rilevanti (es. cronicità, oncologia, salute mentale);
• ci sono già dati storici strutturati o strutturabili.

2. Definire 3–5 outcome da migliorare

Outcome chiari e condivisi sono il cuore del modello. Alcuni esempi:

• tempo “door-to-needle” in stroke unit;
• tasso di riacutizzazioni in BPCO;
• controllo dell’emoglobina glicata nei pazienti diabetici seguiti a distanza.

Gli outcome vanno misurati prima del progetto, per avere una baseline credibile.

3. Creare un gruppo di lavoro trasversale

Il gruppo Health+ interno dovrebbe includere almeno:

• referenti clinici del percorso;
• un rappresentante della direzione sanitaria/direzione strategica;
• IT e data manager/direzione sistemi informativi;
• partner esterni (università, industria, start-up di digital health);
• se possibile, rappresentanze di pazienti.

Qui la “contaminazione reciproca” si concretizza: ognuno vede il pezzo dell’altro, anche quando fa fatica a comprenderlo. È il momento più delicato, ma è anche quello in cui nasce la vera innovazione.

4. Solo dopo, scegliere le tecnologie

Una volta chiariti outcome, processo e bisogni organizzativi, ha senso valutare:

• strumenti di IA predittiva (rischio di ricovero, di caduta, di mancata aderenza);
• telemedicina e telemonitoraggio strutturato;
• clinical decision support system basati su linee guida e algoritmi;
• integrazione con Fascicolo Sanitario Elettronico e cartella clinica.

Qui la regola è semplice: ogni tecnologia deve poter rispondere alla domanda “che effetto misurabile avrà sugli outcome scelti?”. Se la risposta non è chiara, è un campanello d’allarme.

5. Disegnare il sistema di misurazione

Un modello Health+ non può esistere senza una struttura di analisi dati affidabile. Servono:

• dataset puliti e integrati tra ospedale e territorio;
• cruscotti clinico-gestionali leggibili dai professionisti;
• revisione periodica con il gruppo di lavoro (es. ogni trimestre);
• meccanismi di aggiustamento rapido del percorso.

L’obiettivo non è fare “data science per sport”, ma portare i numeri nelle decisioni di reparto e di direzione.

---

IA, PNRR e sostenibilità: perché il modello Health+ è strategico adesso

Siamo a fine 2025, con il PNRR sanità che entra nella fase cruciale di messa a terra di Case della Comunità, Ospedali di Comunità e telemedicina. I fondi sono stati stanziati, le piattaforme acquistate, ma la vera sfida inizia ora: dimostrare che tutto questo migliora gli outcome di salute.

Qui il modello Health+ è particolarmente utile per tre motivi:

1. Evita la frammentazione dei progetti digitali
   Collega IA, telemedicina, cartelle cliniche e presa in carico territoriale a obiettivi di salute condivisi.

2. Dà un linguaggio comune a clinici, manager e tecnologi
   Parlare di outcome e di numeri permette di superare il “mi piace/non mi piace” sulle soluzioni IT.

3. Rende misurabile l’impatto del PNRR
   Se ogni ASL adotta indicatori omogenei, diventa possibile confrontare progetti, scalare le esperienze migliori e correggere quelle meno efficaci.

La verità è che l’IA nella sanità italiana avrà futuro solo se saprà dimostrare valore clinico, organizzativo ed economico in tempi brevi. Un impianto come Health+ offre proprio questo tipo di cornice.

---

Cosa può fare oggi un direttore di struttura (o un CIO) che crede in questo approccio

Chiudiamo con alcune azioni concrete che ho visto funzionare nelle realtà più avanzate:

• Lanciare un “mini Health+” interno su un solo percorso clinico invece di cercare di cambiare tutto il sistema in blocco.
• Introdurre una regola semplice: nessun progetto digitale o di IA parte senza almeno un indicatore di outcome clinico, uno di esperienza del paziente e uno economico.
• Creare momenti periodici di contaminazione (workshop trimestrali) tra professionisti, direzioni e partner tecnologici.
• Formare i clinici sui concetti base di dati e IA, e i tecnologi sui percorsi clinici reali: basta un corso mirato di poche ore ben fatto.
• Premiare le strutture non per il numero di progetti digitali avviati, ma per gli outcome migliorati e documentati.

Questo approccio è perfettamente coerente con la serie “IA nella Sanità Italiana: Innovazione Clinica”: l’intelligenza artificiale non è il punto di partenza, ma uno strumento al servizio di un disegno più grande, centrato su outcome, dati affidabili e collaborazione tra mondi diversi.

La sfida per i prossimi anni sarà chiara:

non vinceranno le aziende sanitarie con più algoritmi, ma quelle che sapranno trasformare gli algoritmi in salute misurabile per i cittadini.

Chi inizia ora, con un modello operativo solido come Health+, avrà un vantaggio competitivo enorme quando l’IA diventerà davvero parte della routine clinica.