Smart Health e IA: come cambia davvero la sanità italiana

Nel 2025 circa il 30% di tutti i dati prodotti nel mondo arriva dalla sanità, ma il 97% resta inutilizzato. È come avere un ospedale pieno di strumenti di ultima generazione tenuti spenti. In un sistema sotto pressione – liste d’attesa, carenza di personale, cronicità in aumento – questo spreco non ce lo possiamo permettere.

Ecco il punto: la Smart Health non è un progetto IT, è una scelta strategica per tenere in piedi il Servizio Sanitario Nazionale nei prossimi dieci anni. Dentro ci sono intelligenza artificiale, spazi europei dei dati, telemedicina, wearable, ma anche formazione, governance e nuove competenze. Questo articolo, che rientra nella serie “IA nella Sanità Italiana: Innovazione Clinica”, guarda alla Smart Health dal punto di vista di chi deve decidere e implementare: direzioni sanitarie, CIO, responsabili di dipartimento, strutture private convenzionate.

Vediamo come dati, IA e competenze possono tradursi in percorsi clinici più vicini alle persone, meno burocrazia e più valore per il sistema.

1. Dalla e-Health alla Smart Health: cosa cambia davvero

La sanità italiana ha già fatto un primo salto con la e-Health: referti digitali, CUP online, sistemi informativi ospedalieri, primi fascicoli sanitari elettronici. È stata una trasformazione necessaria, ma soprattutto organizzativa e amministrativa.

La Smart Health fa un passo in più:

• passa da processi digitalizzati a processi intelligenti;
• sposta il focus da “ospedale” a persona e territorio;
• usa i dati non solo per archiviare, ma per prevedere, personalizzare, ottimizzare.

Esempio concreto: lo scompenso cardiaco

Nell’approccio e-Health, il paziente:

• fa la visita in ambulatorio,
• riceve referto digitale,
• controlla i risultati sul fascicolo.

Nell’approccio Smart Health, lo stesso paziente:

• indossa un dispositivo che monitora in continuo parametri chiave,
• viene seguito da un team multiprofessionale che riceve alert predittivi basati su IA,
• può fare teleconsulti strutturati,
• viene richiamato prima che la situazione precipiti con un ricovero in PS.

Stessa tecnologia di base (dati, connessione, referti digitali), ma uso diverso: si passa da una sanità reattiva a una sanità proattiva e predittiva.

2. Il dato sanitario come asset: da archivio a motore decisionale

Per rendere reale la Smart Health, il dato sanitario deve diventare un asset gestito in modo professionale, non un prodotto collaterale dei sistemi clinici.

Oggi un paziente genera in media 80 MB di dati sanitari all’anno tra esami, immagini, referti, dispositivi indossabili. Il valore nasce quando questi dati sono:

• raccolti in modo sistematico;
• standardizzati (stessi codici, stesse unità di misura, stessi formati);
• collegati lungo il percorso di cura (ospedale, territorio, MMG, RSA);
• accessibili in sicurezza a chi deve decidere.

Cosa serve fare (in pratica) in una struttura sanitaria

Per trasformare il dato in motore decisionale, una direzione può:

1. Definire un modello di data governance

   • chi è il responsabile dei dati clinici (data owner);
   • chi può accedere, per quali finalità;
   • quali politiche di anonimizzazione/pseudonimizzazione adottare.

2. Investire su interoperabilità e qualità

   • scegliere standard aperti (HL7 FHIR, DICOM, SNOMED CT, ICD);
   • ridurre al minimo i campi liberi a favore di codifiche strutturate;
   • introdurre controlli di qualità automatici sui dati inseriti.

3. Creare data set clinici “pronti per l’IA”

   • puliti, anonimizzati, tracciabili;
   • con metadati chiari (quando, come, da chi sono stati prodotti);
   • aggiornati in modo continuo, non a progetto finito.

Chi fa questo oggi ha un vantaggio competitivo enorme quando decide di adottare soluzioni di intelligenza artificiale in diagnostica per immagini, triage, risk scoring o gestione ospedaliera.

3. EHDS, IA Act e DDL italiano: il quadro regolatorio che cambia il gioco

La Smart Health non vive nel vuoto: è guidata da un quadro normativo europeo e nazionale che, di fatto, spinge verso la valorizzazione dei dati e un uso responsabile dell’IA.

European Health Data Space (EHDS)

L’European Health Data Space è la cornice che, nei prossimi anni, permetterà a un cittadino di:

• accedere gratuitamente ai propri dati sanitari ovunque in Europa;
• condividerli con medici di altri Paesi;
• beneficiare di ricerca e innovazione basate su dati aggregati e sicuri.

Per le strutture sanitarie italiane questo significa:

• dover adeguare sistemi e processi a standard di interoperabilità europei;
• avere opportunità concrete di partecipare a progetti di ricerca multicentrici su larga scala;
• poter sviluppare e testare algoritmi di IA su basi dati molto più ricche e rappresentative.

Regolamento europeo sull’IA

Il nuovo AI Act europeo classifica molti sistemi di IA in sanità come “alto rischio”: ad esempio software che supportano diagnosi, decisioni terapeutiche o gestione di terapie.

Questo non frena l’innovazione, ma la disciplina:

• obbliga a tracciabilità dei dati di addestramento;
• richiede valutazioni di impatto, gestione del rischio e monitoraggio post-market;
• impone requisiti di trasparenza e supervisione umana.

Chi progetta oggi un progetto di IA clinica deve già ragionare in questa logica: non è solo un POC tecnologico, è un futuro dispositivo “ad alto rischio” da gestire con rigore.

DDL 1146 e uso secondario dei dati in Italia

Il DDL 1146 sull’Intelligenza Artificiale in Italia apre in maniera più chiara all’uso secondario dei dati sanitari per ricerca, innovazione e sviluppo di modelli predittivi, con tutele sulla privacy.

Questo crea terreno favorevole per:

• data lake sanitari regionali e nazionali;
• collaborazioni tra pubblico, università e imprese;
• sperimentazioni di medicina personalizzata basata su grandi volumi di dati clinici real-world.

4. IA clinica, dati sintetici e telemedicina: dove si crea valore reale

Nel nostro percorso “IA nella Sanità Italiana: Innovazione Clinica”, questo è il punto centrale: come usare l’IA in modo concreto, non solo teorico.

IA nella pratica clinica

Oggi esistono già applicazioni mature che una struttura può valutare seriamente:

• Diagnostica per immagini: algoritmi di deep learning che segnalano lesioni sospette in radiologia, TC, RM, mammografie con livelli di accuratezza comparabili a radiologi esperti.
• Cardiologia e neurologia: analisi automatica di ECG, predizione del rischio di ictus o fibrillazione atriale su dati da wearable.
• Drug discovery e trial clinici: riduzione fino al 30% dei costi e 50% dei tempi nelle fasi iniziali di scoperta farmaci grazie a modelli predittivi.
• Gestione ospedaliera: modelli di previsione dei ricoveri, ottimizzazione dei posti letto, priorità di triage in pronto soccorso.

Un errore che vedo spesso? Partire da un algoritmo “figo” e poi cercare il problema a cui applicarlo. Funziona meglio l’approccio opposto:

partire da un collo di bottiglia clinico-organizzativo misurabile e chiedersi se l’IA può ridurlo.

Dati sintetici: accelerare senza violare la privacy

I dati sintetici permettono di addestrare modelli di IA o simulare scenari clinici utilizzando dati che statisticamente assomigliano a quelli reali, ma non contengono informazioni identificabili.

Vantaggi molto concreti:

• riducono il rischio di re-identificazione;
• permettono di condividere dati tra strutture e partner industriali con meno vincoli;
• accelerano test e prototipi, anche quando i dati reali sono ancora pochi.

Per una direzione sanitaria o un IRCCS, introdurre una pipeline di dati sintetici significa poter fare ricerca e sviluppo continuamente, non solo in progetti spot con mille autorizzazioni ad hoc.

Telemedicina intelligente

La telemedicina smette di essere “solo videochiamata” quando:

• integra algoritmi predittivi che segnalano pazienti a rischio;
• si alimenta di dati da sensori domestici e wearable;
• è inserita in percorsi DM77 su Case e Ospedali di Comunità, con protocolli chiari.

In questo modello, la Smart Health è quella che:

• riduce ricoveri evitabili,
• migliora l’aderenza terapeutica,
• facilita la vita delle persone fragili e dei caregiver.

5. Competenze, cultura digitale e alleanze: senza persone la Smart Health non parte

La tecnologia c’è, le norme pure. Il vero collo di bottiglia, oggi, sono spesso competenze e cultura organizzativa.

Formazione degli operatori sanitari

Tra il 2018 e il 2023, le offerte di lavoro sanitarie che richiedevano competenze digitali sono cresciute fino al 13% per i ruoli non clinici e al 6% per le professioni di prima linea. Non è una moda: è la nuova normalità.

Per rendere sostenibile l’IA in sanità italiana servono almeno tre livelli di competenze:

1. Alfabetizzazione digitale di base per tutti gli operatori

   • uso sicuro di piattaforme digitali;
   • comprensione di cosa fa (e cosa non fa) un algoritmo;
   • gestione corretta dei dati dei pazienti.

2. Figure ibride clinico-digitali

   • medici, infermieri e farmacisti con competenze in data analysis e IA;
   • “traduttori” tra bisogni clinici e soluzioni tecnologiche.

3. Ruoli specialistici

   • data scientist e data engineer in sanità;
   • esperti di privacy e cybersecurity sanitaria;
   • responsabili di AI governance.

Chi guida una struttura dovrebbe smettere di considerare queste competenze come “nice to have” e iniziare a pianificarle nel fabbisogno triennale.

Digital health literacy per i cittadini

Se i cittadini non capiscono come funzionano fascicolo sanitario elettronico, referti digitali, teleconsulto o app di monitoraggio, buona parte dell’investimento va perso.

Programmi di digital health literacy – nelle scuole, nelle farmacie, nelle Case di Comunità – servono a:

• ridurre il digital divide, soprattutto tra anziani e fragili;
• aumentare fiducia nell’uso di IA e servizi digitali;
• trasformare il paziente da utente passivo a partner attivo del percorso di cura.

Alleanze pubblico-privato intelligenti

La Smart Health richiede investimenti importanti e competenze raramente presenti al 100% dentro una singola organizzazione.

Le partnership pubblico–privato funzionano quando sono chiare su:

• obiettivi clinici misurabili (riduzione riammissioni, tempi d’attesa, complicanze);
• regole su proprietà e utilizzo dei dati;
• modalità di valutazione e scalabilità delle soluzioni.

In Italia vediamo già progetti di telecardiologia, reti oncologiche digitali e piattaforme di gestione cronicità nati da collaborazioni tra ASL, IRCCS, università e aziende tecnologiche. Chi entra ora, con progetti seri e misurabili, sarà tra i riferimenti nazionali nei prossimi anni.

Come passare dalla teoria all’azione nella tua struttura

La Smart Health, e in particolare l’uso dell’intelligenza artificiale in sanità italiana, non è più un tema da convegni ma un’agenda operativa per il 2025–2030. Chi guida strutture sanitarie oggi ha due strade: subire l’ondata normativa e tecnologica, oppure usarla per ridisegnare i propri servizi intorno ai dati e alle persone.

Un percorso realistico per i prossimi 12–18 mesi può essere:

1. Mappare i dati disponibili e i principali colli di bottiglia clinici/organizzativi.
2. Definire una governance dei dati e un piano di interoperabilità.
3. Avviare 1–2 progetti pilota di IA o telemedicina intelligente legati a obiettivi misurabili.
4. Investire su formazione mirata di un primo nucleo di professionisti chiave.
5. Cercare alleanze con altri attori (aziende, università, startup) mantenendo chiari controllo clinico e regole sui dati.

Chi inizia ora, e non tra tre anni, avrà pazienti più soddisfatti, professionisti meno schiacciati dalla burocrazia, e soprattutto una sanità più vicina alle persone – che è poi il vero obiettivo di questa trasformazione.