Miastenia gravis e IA: come Pisa prepara i nuovi farmaci

Miastenia gravis e dati clinici: perché l’innovazione parte da qui

Un ospedale che, prima ancora dell’arrivo dei nuovi farmaci, ha già pronto un “gemello digitale” dei propri pazienti con miastenia gravis. Cartelle cliniche strutturate, dati standardizzati, algoritmi pronti a segnalare i casi complessi ai clinici. Questo, in sintesi, è lo spirito del progetto “Value Data Horizon” dell’AOU Pisana.

La miastenia gravis è una malattia rara, cronica, altamente eterogenea. I nuovi farmaci biotecnologici e la medicina personalizzata promettono molto, ma senza dati di qualità il rischio è di non riuscire a portarli davvero al letto del paziente, in modo sostenibile per il Servizio Sanitario Nazionale.

Nel percorso della serie “IA nella Sanità Italiana: Innovazione Clinica”, questa storia conta per un motivo preciso: mostra come l’intelligenza artificiale applicata alla gestione dei dati clinici non sia teoria, ma uno strumento concreto per preparare ospedali e reti regionali all’arrivo dei farmaci innovativi.

---

Che cos’è “Value Data Horizon” e cosa cambia per la miastenia gravis

Il progetto “Value Data Horizon” dell’AOU Pisana è, in sostanza, una piattaforma di horizon scanning clinico e organizzativo basata sui dati reali dei pazienti. L’obiettivo è chiaro: arrivare pronti all’introduzione dei nuovi trattamenti per la miastenia gravis, con percorsi e criteri già definiti e supportati dall’analisi dei dati.

Gli elementi chiave del progetto

“Value Data Horizon” integra tre pilastri:

1. Data quality e standardizzazione

   • pulizia e normalizzazione delle informazioni in cartella clinica;
   • utilizzo di codifiche omogenee (es. ICD, ATC, scale cliniche condivise);
   • tracciamento sistematico di outcome clinici e funzionali.

2. Analisi avanzata e IA in sanità

   • algoritmi di machine learning per identificare pattern di malattia, cluster di pazienti e fattori di rischio;
   • modelli predittivi per stimare il decorso clinico e il rischio di riacutizzazione;
   • strumenti di clinical decision support integrati nei flussi di lavoro.

3. Horizon scanning e valutazione del valore

   • simulazioni di impatto clinico ed economico dei farmaci innovativi;
   • identificazione dei pazienti candidabili a nuove terapie in modo trasparente e tracciabile;
   • supporto strutturato alle decisioni di governance farmaceutica, sia aziendale che regionale.

La conseguenza pratica? Quando un nuovo farmaco per la miastenia gravis viene reso disponibile, l’ospedale non parte da zero: ha già numeri, casistiche, criteri di eleggibilità e scenari di budget impact calcolati sui dati real-world.

---

Il ruolo dell’IA nella gestione della miastenia gravis

L’intelligenza artificiale in questo contesto non sostituisce il neurologo, ma gli toglie di mano una parte del lavoro ripetitivo e lo aiuta a orientarsi in casistiche complesse.

Dalla diagnosi alla stratificazione del rischio

Nella pratica clinica, l’IA può intervenire in diversi punti del percorso di un paziente con miastenia gravis:

• Diagnosi più tempestiva
  Analizzando migliaia di cartelle e referti, i modelli individuano combinazioni ricorrenti di sintomi, esami alterati, accessi in Pronto Soccorso che spesso precedono la diagnosi formale. Questo può generare avvisi ai clinici quando un nuovo paziente presenta la stessa “firma” di rischio.

• Stratificazione clinica automatizzata
  Scale come MGFA, MG-ADL, QMG possono essere in parte ricostruite dai dati strutturati e testi clinici tramite NLP (Natural Language Processing). Il risultato è una classificazione quasi in tempo reale della gravità, utile per confrontare pazienti e centri.

• Identificazione dei candidati ai farmaci innovativi
  Quando le indicazioni regolatorie sono complesse (es. fallimento di più linee terapeutiche, presenza di determinati biomarcatori, determinate classi di gravità), l’IA aiuta a filtrare rapidamente la popolazione eleggibile, evitando dimenticanze o inequità di accesso.

La realtà è più semplice di quanto sembri: senza IA, un medico dovrebbe fare a mano ciò che un algoritmo può eseguire su migliaia di record in pochi minuti. Il valore clinico sta proprio qui.

---

Dall’horizon scanning alla pratica: perché anticipare i farmaci innovativi conviene

Anticipare l’arrivo dei farmaci innovativi con strumenti di IA e analisi dati non è un vezzo tecnologico, ma una scelta strategica per la sanità pubblica.

Vantaggi per ospedale, Regione e pazienti

Per un’azienda ospedaliera universitaria come quella di Pisa, i benefici toccano almeno tre livelli:

1. Clinico
   • maggiore appropriatezza prescrittiva;
   • riduzione del tempo che intercorre tra autorizzazione del farmaco e primo paziente trattato;
   • monitoraggio degli outcome reali rispetto a quelli degli studi registrativi.

1. Organizzativo

   • percorsi diagnostico-terapeutici assistenziali (PDTA) basati su dati e non solo su consenso esperto;
   • riduzione della variabilità tra reparti e professionisti;
   • programmazione più accurata di posti letto, ambulatori, infusioni.

2. Economico e di governance

   • stime realistiche del numero di pazienti candidabili;
   • simulazioni di spesa per diversi scenari di utilizzo;
   • migliori basi dati per le negoziazioni sui contratti di rimborso e gli accordi di esito.

Per i pazienti, soprattutto in aree complesse come le malattie neuromuscolari rare, questo si traduce in un punto cruciale: accesso più rapido e più equo alle terapie efficaci, all’interno di un sistema sostenibile.

Un esempio concreto

Pensiamo a un nuovo anticorpo monoclonale indicato per pazienti adulti con miastenia gravis generalizzata, refrattari ad almeno due linee di terapia standard.

Con un sistema come “Value Data Horizon”:

• l’ospedale sa esattamente quanti pazienti rientrano già oggi in questo profilo;
• può simulare quanto cambieranno accessi in Day Hospital, consumo di altre terapie, ricoveri per crisi miasteniche;
• ha pronti gli indicatori per valutare, dopo 12-24 mesi, se il beneficio reale giustifica la spesa.

Senza questa preparazione, il rischio è opposto: accesso disomogeneo, difficoltà di controllo della spesa, impossibilità di dimostrare il valore del farmaco alle istituzioni.

---

Come strutturare un progetto simile in altre aziende sanitarie

Molti direttori sanitari e CIO guardano a esperienze come quella pisana chiedendosi: “Come lo porto nel mio ospedale, con le risorse che ho?” La buona notizia è che per avviare un percorso di questo tipo non serve partire da soluzioni faraoniche, ma da alcuni passi chiave.

1. Pulizia e governance dei dati

Senza dati affidabili, l’IA è solo fumo. I primi investimenti dovrebbero andare su:

• integrazione tra cartella clinica elettronica, laboratorio, farmaco, ADT;
• definizione di un data model clinico condiviso per la patologia target (in questo caso, la miastenia gravis);
• ruoli chiari di data owner (clinici) e data steward (ICT, data manager).

2. Scelta della patologia pilota

La miastenia gravis è una buona candidata perché:

• è rara, quindi con numeri gestibili;
• ha percorsi relativamente codificabili;
• è al centro di un’ondata di farmaci innovativi.

Ogni azienda, però, può identificare la propria area pilota: oncologia, ematologia, malattie infiammatorie croniche. L’importante è che esista:

• un team clinico motivato;
• un bisogno reale di horizon scanning sui farmaci;
• la possibilità di misurare outcome clinici significativi.

3. Collaborazione tra clinici, data scientist e farmacia ospedaliera

I progetti più solidi nascono quando:

• i clinici definiscono le domande rilevanti (quali pazienti, quali outcome, quali criticità di percorso);
• i data scientist traducono le domande in modelli, variabili, algoritmi;
• la farmacia ospedaliera guida la parte di valutazione del valore e di governance farmaceutica.

Senza questa triangolazione, l’IA rischia di produrre dashboard belle da vedere ma poco utili per le decisioni reali.

---

IA nella sanità italiana: la miastenia come modello replicabile

All’interno della serie “IA nella Sanità Italiana: Innovazione Clinica”, il caso della miastenia gravis all’AOU Pisana è un esempio di come l’innovazione possa partire da una patologia rara e poi estendersi.

L’approccio è replicabile in altre Regioni e aziende sanitarie, a patto di:

• investire seriamente su infrastrutture dati e competenze interne;
• definire chiaramente use case clinici e di governance, non solo progetti vetrina;
• accettare che i primi mesi servono soprattutto a “fare ordine” nei dati, non a sviluppare algoritmi futuristici.

Personalmente, ho visto troppe realtà saltare direttamente alla fase dell’IA avanzata senza questa base. Il risultato è quasi sempre lo stesso: modelli difficili da mantenere e zero impatto sui percorsi clinici.

Questa stagione, con l’arrivo di più terapie avanzate che mai, è il momento ideale per ripensare come ospedali e Regioni gestiscono i dati clinici. La domanda non è se l’IA avrà un ruolo nella valutazione dei nuovi farmaci, ma chi saprà usarla per migliorare davvero equità, sostenibilità e qualità delle cure.

Se la tua struttura sta iniziando a ragionare su IA in sanità, la domanda concreta da porsi è: su quale patologia, e con quali dati, possiamo costruire il nostro “Value Data Horizon”?