Screening oncologici in crescita ma Pronto soccorso e liste d’attesa in crisi. Ecco come l’IA può aiutare la sanità italiana a ridurre tempi e diseguaglianze.
Negli ospedali italiani oltre 1 paziente su 5 resta in Pronto soccorso più di 8 ore in strutture come Tor Vergata, Sant’Andrea e Aou di Cagliari. Nello stesso tempo, alcune ASL superano l’80% di copertura degli screening oncologici. Due facce della stessa sanità, fotografate dall’ultimo report Agenas.
Questa distanza tra prevenzione che migliora e accesso alle cure che si inceppa è esattamente il punto in cui l’Intelligenza Artificiale può fare la differenza, se usata con criterio. Non come slogan tecnologico, ma come strumento operativo per ridurre liste d’attesa, alleggerire i Pronto soccorso e rendere più equo l’accesso alle prestazioni in tutte le regioni.
In questo articolo della serie “IA nella Sanità Italiana: Innovazione Clinica” parto dai dati Agenas su screening, attese e Pronto soccorso per rispondere a una domanda molto concreta: come usare l’IA per trasformare questi numeri da criticità a opportunità di miglioramento reale?
1. Cosa ci dicono davvero i dati Agenas su screening e attese
La nuova edizione del Sistema nazionale di valutazione delle performance di Agenas manda un messaggio chiaro:
- territorio e screening oncologici sono in recupero, anche al Sud;
- accessibilità ospedaliera e Pronto soccorso restano in sofferenza.
Screening: luci e ombre
Sul fronte degli screening oncologici i segnali sono buoni:
- mammella: al top l’ASL di Asti con l’82,5% di adesione, seguita da Ferrara e Trento;
- cervice uterina: in testa ASL Imola, poi Modena e Brianza;
- colon-retto: meglio Aosta, seguita da Polesana e Alessandria.
Nello stesso report, però, emergono aree critiche: Bari, Catanzaro, Cosenza, Sulcis, Alto Adige, Foggia risultano spesso in fondo alle classifiche.
Tradotto: l’Italia è capace di organizzare screening efficienti e di qualità, ma non riesce a garantirli in modo omogeneo sul territorio.
Pronto soccorso e liste d’attesa: il collo di bottiglia
Sul Pronto soccorso la fotografia è più dura:
- al Policlinico di Tor Vergata, al Sant’Andrea (Roma) e all’Aou di Cagliari oltre 1 paziente su 5 resta in PS più di 8 ore;
- negli over 75 si registrano accessi inappropriati fino a 1 su 4 in alcune aziende (Azienda delle Dolomiti, Ulss Polesana, Azienda Scaligera);
- al contrario, spiccano per efficienza realtà come San Carlo di Potenza, Dulbecco di Catanzaro e Perugia.
Anche sugli interventi entro i tempi raccomandati (protesi d’anca entro 180 giorni, interventi oncologici alla mammella o al colon entro 30 giorni) ci sono strutture virtuose e altre costantemente in ritardo.
Questi numeri non sono solo “pagelle”: raccontano percorsi di cura più o meno tempestivi, diagnosi più o meno precoci, e – senza giri di parole – chance di sopravvivenza diverse a seconda del CAP di residenza.
2. Perché la sola organizzazione non basta più (e dove entra l’IA)
La risposta istintiva di molte aziende sanitarie è: “rivediamo i processi, assumiamo personale, cambiamo turni”. Serve, ma non basta più. Con l’invecchiamento della popolazione, la cronicità e l’aumento degli accessi impropri, l’approccio solo organizzativo è troppo lento e poco predittivo.
Qui l’Intelligenza Artificiale nella sanità italiana non è un optional, è uno strumento per fare tre cose in maniera sistematica:
- Prevedere: capire in anticipo dove e quando avverranno i picchi di domanda (PS, ambulatori, ricoveri).
- Prioritizzare: assegnare risorse e appuntamenti non solo in base all’ordine cronologico, ma anche al rischio clinico reale.
- Personalizzare: adattare screening, follow-up e assistenza domiciliare al singolo paziente, riducendo accessi inutili e ritardi per chi ha più bisogno.
La realtà? Molte aziende hanno già dati e infrastrutture sufficienti per farlo. Manca spesso un progetto chiaro di applicazione dell’IA alla gestione clinica.
3. IA per ridurre la crisi dei Pronto soccorso
La gestione del Pronto soccorso con IA è uno dei casi d’uso più immediati e ad alto impatto.
Prevedere i flussi di accesso
Con i dati storici degli accessi (giorno, ora, diagnosi, esito, tempi di permanenza) e alcune variabili esterne (meteo, eventi locali, epidemie stagionali), modelli di machine learning possono:
- prevedere il numero di accessi nelle 24-72 ore successive;
- individuare gli orari con maggior rischio di congestione;
- suggerire in anticipo adeguamenti di turni, letti di osservazione breve, supporto radiologico e laboratoristico.
Non è fantascienza: molte aziende usano già sistemi di business intelligence statica. Il passo successivo è passare da report a consuntivo a previsioni operative in tempo reale.
Triage intelligente (ma non al posto del medico)
Un altro fronte è il triage supportato da IA:
- algoritmi addestrati su migliaia di casi possono aiutare l’infermiere di triage a stimare in modo più omogeneo il rischio;
- sistemi di decision support possono segnalare pattern di rischio (per es. dolore toracico atipico in giovane donna, sintomi neurologici lievi ma sospetti) che potrebbero sfuggire nei momenti di sovraccarico;
- chatbot clinici pre-triage potrebbero essere usati a monte, sul territorio o nel 118, per ridurre gli accessi inappropriati di codice bianco.
Non si tratta di sostituire il professionista, ma di offrire un secondo sguardo continuo e standardizzato, particolarmente prezioso quando i tempi si allungano e la pressione aumenta.
Dimissioni e percorsi territoriali più fluidi
L’IA può anche aiutare a svuotare il Pronto soccorso, non solo a gestirlo meglio:
- modelli predittivi per identificare pazienti a alto rischio di ricovero o riaccesso entro 72 ore;
- suggerimenti automatici di presa in carico territoriale (ADI, infermiere di famiglia, ambulatori dedicati) integrati con il fascicolo sanitario elettronico;
- alert per i MMG quando il loro assistito è dimesso da un PS critico, per programmare rapidamente un contatto.
Quando questi percorsi funzionano, il PS smette di essere “l’unica porta sempre aperta” e torna al suo ruolo naturale: emergenza-urgenza vera.
4. IA e screening oncologici: dal “mandare inviti” al “raggiungere le persone giuste”
Gli screening stanno migliorando, ma le differenze tra territori mostrano che inviare le lettere non basta. Qui l’IA applicata alla medicina preventiva può cambiare la logica del sistema.
Identificare chi rischia di perdersi lo screening
Partendo dai dati anagrafici, socio-economici e sanitari (quando disponibili), modelli di IA possono:
- individuare i gruppi con maggiore probabilità di non aderire (es. lavoratori turnisti, aree rurali, stranieri, persone con basso reddito);
- proporre canali di contatto diversi (SMS, chiamate, mediatori culturali, farmacie di comunità);
- suggerire fasce orarie e sedi più adatte per quelle specifiche popolazioni.
In pratica, si passa dallo screening “uguale per tutti” allo screening mirato e proattivo, soprattutto nelle regioni oggi in coda alle classifiche.
Ottimizzare la lettura degli esami
Nella diagnostica per immagini l’IA ha già dimostrato di poter:
- fare una prima lettura automatica di mammografie e colonscopie virtuali;
- segnalare esami “sospetti” da far leggere in priorità ai radiologi;
- ridurre i falsi negativi e migliorare la qualità delle seconde letture.
Il beneficio doppio è evidente:
- più sicurezza clinica (lesioni identificate prima);
- tempi di refertazione più brevi, con impatto diretto sul rispetto dei famosi 30 giorni per gli interventi oncologici.
Ovviamente questo richiede governance chiara: l’algoritmo non deve “decidere da solo”, ma supportare il team multidisciplinare.
5. IA per governare liste d’attesa e interventi programmati
Le performance molto diverse tra ospedali su interventi come protesi d’anca e chirurgia oncologica mostrano un problema di pianificazione e priorità. Qui l’IA applicata alla gestione della sala operatoria e delle agende è un tassello chiave.
Pianificazione operatoria intelligente
Un sistema basato su IA può:
- stimare con maggiore accuratezza la durata reale degli interventi, partendo dal chirurgo, dal tipo di intervento e dalle condizioni del paziente;
- ridurre gli slot vuoti o sovraccarichi in sala operatoria;
- simulare diversi scenari di pianificazione per massimizzare il numero di interventi ad alta priorità clinica entro i tempi raccomandati.
L’obiettivo non è “fare più interventi a tutti i costi”, ma farne di più nei tempi giusti per i pazienti che rischiano di più, riducendo le diseguaglianze tra strutture.
Liste d’attesa basate sul rischio, non solo sulla data di prenotazione
Oggi le liste d’attesa sono spesso gestite in modo lineare: chi prenota prima, entra prima. Un sistema di IA nella gestione ospedaliera può rimescolare le priorità in base a:
- gravità e progressione attesa della patologia;
- fragilità complessiva del paziente (età, comorbidità, condizione sociale);
- impatto del ritardo sull’esito clinico.
Questo significa che due pazienti con la stessa data di prenotazione possono avere tempi diversi, ma con un criterio trasparente e clinicamente giustificato, non arbitrario.
6. Da progetto pilota a trasformazione: tre passi concreti per le aziende
Molte aziende sanitarie vorrebbero usare l’IA ma restano bloccate in progetti pilota senza impatto reale. Ho visto che i percorsi più efficaci seguono tre passi semplici, ma rigorosi.
1. Scegliere pochi indicatori molto concreti
Partire da obiettivi misurabili legati ai dati Agenas:
- “Ridurre del 20% entro 12 mesi la quota di pazienti con permanenza in PS > 8 ore”;
- “Portare lo screening mammografico dal 50% al 70% di adesione in tre anni”;
- “Aumentare al 90% gli interventi oncologici alla mammella entro 30 giorni dalla diagnosi”.
Senza numeri chiari, l’IA resta un esercizio accademico.
2. Costruire piccoli casi d’uso end-to-end
Meglio un singolo caso d’uso che funziona e produce risultati (per esempio previsione degli accessi al PS con adeguamento dei turni) che dieci progetti teorici. Un buon caso d’uso end-to-end deve:
- usare dati reali (anche se non perfetti);
- essere integrato nei flussi di lavoro quotidiani;
- avere un “owner clinico” e uno “owner tecnico” con responsabilità condivisa.
3. Pensare subito alla scalabilità e alla governance
Ogni applicazione di IA in sanità deve rispondere a tre domande:
- Chi è responsabile della decisione finale? Sempre il clinico.
- Come vengono monitorati bias ed errori del modello? Con audit periodici e revisione dei dati di addestramento.
- Come gestiamo privacy e sicurezza? Con architetture che minimizzano la circolazione dei dati sensibili e massimizzano la tracciabilità degli accessi.
Senza questa cornice, l’adozione dell’IA rischia di bloccarsi al primo incidente o al primo contenzioso.
Conclusione: usare l’IA per trasformare una fotografia in un piano d’azione
Il report Agenas ci consegna una fotografia nitida: screening oncologici in crescita, soprattutto in alcune realtà molto virtuose, e Pronto soccorso e liste d’attesa ancora in affanno, con differenze importanti tra Nord, Centro e Sud.
Questa fotografia, da sola, non cambia la vita dei pazienti. Diventa utile solo se viene trasformata in azioni concrete, e l’Intelligenza Artificiale è oggi uno degli strumenti più potenti per farlo in tempi ragionevoli: prevedendo i flussi, gestendo meglio le priorità, rendendo omogenei i percorsi di cura.
Per le direzioni sanitarie e i professionisti che vogliono passare dalle parole ai fatti, la domanda non è più “se usare l’IA”, ma dove iniziare per avere impatto sugli indicatori che contano davvero: attese, esiti, equità di accesso.
Se la tua struttura sta ragionando su come applicare l’IA a Pronto soccorso, screening o gestione delle liste d’attesa, questo è il momento giusto per progettare casi d’uso mirati, agganciati agli stessi indicatori che oggi ti vengono misurati da Agenas. La tecnologia c’è già: la differenza la farà chi saprà trasformarla in organizzazione e risultati misurabili.